搜索引擎-----浅说查重

     现在网络上重复的信息很多，用户敲入一个关键字进行搜索时，总会出来很多重复或者很相似的网页，这是搜索引擎不愿意看到的，也是用户不愿意看到的。那么，我们就需要对搜索出来的网页进行查重，然后去掉重复的网页，返回给用户的结果集里重复信息尽量少点！我们暂时只关心网页的内容，文字信息，忽略图片视频等多媒体信息，即是基于内容的查重研究，当然我仅仅是出于兴趣爱好，可能认识也比较浅，毕竟我水平也有限，记此文完全是心血来潮，自娱自乐，或许会碰见高人指点呢...

    就省掉前戏了，直奔主题，虽然前戏很重要！不解释...

    几乎所有去重技术都基于这个核心思想：为每个文档计算一组指纹，若2个文档有一定数量的相同指纹，那么我们认为这2个文档的内容重叠性很高，可以认为二者是内容转载的。

     目前有很多去重方法，基于词频的，基于特征码的，基于标点符号的，基于内容的，基于摘要的等等。

    下面2种办法都用到了分词，也可以说是基于分词的查重方法。

    我之前用过基于词频的方法做过一些实验【基于词频的方法描述：2篇文档如果相似度很高，那么他们的词频，即文档中的词在全文出现的频率相差应该也不大，曾有人用这种统计学的方法证明了红楼梦前80回和后40回不是出自同一个作家，因为每个作家的用词习惯不同，描述一个事物的时候，也许不同的作家描述的方式不一样，看问题的角度不一样】 ,用这种方法效率还是蛮高的，实现起来也比较简单，对文档分词，然后统计词频，然后做比较。只是对于短小的文章它经常误判。把明明几乎重复的文档化为不同。所以这种方法欠稳定。

    后来我借鉴一本书名为《数学之美》的一种方法，下面是在线阅读网址：www.bookfm.com/book/bookdetail.html 《数学之美和浪潮之巅》 吴军

     谷歌新闻分类的方法，它运用了tf-idf的概念，这种方法我们姑且称之为，余弦定理及其tf-idf去重法。tf代表每个词的在文档中出现的频率，idf用log10 （D/Dw）求得，D代表文档库中所有的文档数，某词在Dw个文档中出现过。这种方法考虑了词的权重，文档中不是每个词都是很重要的，一个词在文档库中出现的次数越多，它越不重要，idf值越小，我们忽略idf很小的值，因为这次词在几乎所有的文档中都出现过，它们就显得不是很重要。然后，就用tf/idf作为那个向量的特征值，至于向量的长度由文档词库数决定，过滤掉那些权重较小的词。然后用余弦定理得到这2个向量的夹角，夹角为0说明这2篇文档重复，夹角越小说明这2篇文档相似度越高。我做过实验，当然这种方法效果很好，准确度高，实现也不是很麻烦，但是效率很低，要计算词频，要计算每个词在多少个文档中出想过，还得统计出所有的词，对每个文档都得做分词处理。所以在实践中这种方法不现实。代价太大了。也许对文档进行分词本身就不是一个好的方法，而且中文分词问题很多。分词本来就是一个难题。当然也许我们可以随机选取一些词，不一定要对每个词都做处理。

    我想最理想的去重方法应该是：我们能用某种手段判断2篇文档的主旨，如果主旨一样，那么就可以判断它们是内容转载的，但我们如何教计算机分析一篇文章的主旨呢？计算机能用计算的方法（计算机最擅长计算）得到一篇文章的主旨么？我记得我高中语文做阅读理解题总是很差，我们语文老师教我们如何分析文章主旨，我现在怀疑到底有没有有效的方法得到文章主旨（文章每段最后一句？最后一段？）？反正高考语文就刚好及格而已！ 计算机能做到么？