雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际期刊的创新在计算机和通信工程的研究

菜单

ISSN在线(2320 - 9801)打印(2320 - 9798)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

使用Binrank实现动态的权威为基础的搜索算法

科尔硅1Ashish库马尔2,Pranav Bhatia2,AnshulGoel2
  1. 副教授,CSE, Bharti Vidyapeeth学院的工程,GGSIPU大学,印度新德里
  2. CSE, Bharti Vidyapeeth学院的工程,GGSIPU大学,印度新德里
相关文章Pubmed,谷歌学者

访问更多的相关文章国际期刊的创新在计算机和通信工程的研究

国际期刊的创新在计算机和通信工程的研究

文摘

各种算法如ObjectRank PageRank,后者由拉里•佩奇和谷歌搜索引擎中使用,非常昂贵,因为他们需要一个PageRank-style迭代计算的完整的图。BinRank,混合算法使用一个索引的预计算结果部分或全部关键字被用户使用。它接近ObjectRank结果显现相对较小的子集的数据图,由分区生成语料库中所有条款基于他们的同现。BinRank可以实现即时查询执行时间而不影响搜索结果的质量。

关键字
近似算法,来(味精),材料子图网络关键词搜索,垃圾箱

介绍
BinRank之前,算法如PageRank和ObjectRank被用于搜索在互联网上的信息。PageRank算法[1]利用网络图链接结构被用来分配一个全球对网页的重要性。PageRank是即将离任的联系统一概率和比分是独立于查询。PageRank更动态的方法,称为个性化网页排名(PPR)是由于增加的需求开发的网页排名的更大的灵活性。PPR的基本思想很简单:统一分发PageRank的来源,而是分布是提高修改它根据每个查询[2]。对于一个给定的偏好设置,它执行一个昂贵的fix-point和迭代计算的完整的Web图表。这样的问题该算法的可伸缩性是一个巨大的劣势。ObjectRank扩展了PPR在数据库执行关键字搜索,而不是网络图。ObjectRank的另一个新奇的是,它并不像谷歌,全球。对于每个<关键词、对象>我们计算一个ObjectRank值[3]。它已经成功地应用于数据库等社交组件协同产品设计andbibliographic数据。 But unfortunately, ObjectRank suffers from the same scalability issues as that of PPR, since it requires various iterations over all links and nodes of the entire database graph [4]. The ObjectRank has 2 modes: Offline and Online. The Online mode runs the ranking algorithm only when the query is received, which takes up too much time on long graphs. For example, on a graph of articles of English Wikipedia with 3.2 million nodes and 109 million links, even a fully optimized in-memory implementation of ObjectRank takes 20-50 seconds to run [4]. In the Offline mode, the top-k results are computed in advance for a query. This is quite expensive in terms of storage space and is not suitable for the terms outside thequery workload that the user may search for. Therefore, in this paper we have introduced a hybrid approach called BinRankwhere the query accessing time can be traded off with storage and preprocessing time. BinRank closely approximates the ObjectRank scores as it applies ObjectRank on a smaller subgraph rather than the complete graph. These subgraphs are computed offline in advance and are stored in memory. The precomputation can be parallelized with linear scalability. An example of full Wikipedia data set is taken by us where BinRank can answer any query in less than 1 second, by precomputing about a thousand subgraphs, which takes only about 12 hours on a single CPU. While deciding on the precomputation of the subgraph, there are usually two problems faced: a) the number of subgraphs to compute b) the construction of each subgraph. The intuition behind our approach is that a subgraph that contains all objects and links relevant to a set of related terms should have all the information needed to rank objects w.r.t. one of these terms. For 1), we group all terms into a small number (around 1,000 in case of Wikipedia) of “bins” of terms based on their co-occurrence in the entire data set. For 2), we execute ObjectRank for each bin using the terms in the bins as random walk starting.
本文的目的是:
吗?近似ObjectRank通过物化子图(公司),可以预先计算的离线。
吗?使用ObjectRank本身生成公司的“垃圾箱”。
吗?介绍一个贪婪算法,最小化的箱数聚类与类似的帖子列表。

三世。OBJECTRANK-BACKGROUND
一个。数据模型
不同于PageRank, ObjectRank执行top-k相关性搜索数据库而不是一个网络图。数据图G (V, E)用于表示对象和语义关系的节点和边,边表示网页之间的超链接在网页排名。一个节点v ?V包含一组关键字和它的对象类型。例如,当u v引用另一篇论文,一篇论文ObjectRank包括在E E = (u→v)的优势,一个标签”引用。“这还可以创建一个引用从u v”类型的边缘。通过分配不同的边的权值不同的边缘类型,ObjectRank可以捕获重要的领域知识。
B。查询处理
ObjectRank中的查询处理使用随机冲浪者模型[5]。模型从一个随机节点vi节点中包含关键字。的起始点称为一套基础。关键字k, k的关键词基本设置,BS (k),由节点k发生。任何节点在图G b (k)的一部分,这使得它支持完整的个性化程度。在每个节点,冲浪是即将离任的边缘概率p,或者跳回到一个随机节点b (k)的概率(1 - p) 2。节点v,当优势决定之后,每条边起源于v e是选择概率w ((e)) /(出度(? ? (e), v)),在输出端数(k、v)表示的边数v的边缘类型类似于k。vi的分数是r (vi)的概率,随机冲浪者发现vi在某个时刻。
C。质量比网页排名
ObjectRank是相反的PageRank的方法返回对象,其中包含的关键字排序根据他们的分数。ObjectRank另一方面,它利用链接结构捕获对象之间的语义关系是有用的在显示即使是那些对象,没有关键字但高度相关,因此可以包含在top-k列表中。这使得ObjectRank质量优越的结果。[6]

四、本施工
的一组公司的字典是由划分成一组术语垃圾箱,这是基于同现。我们生成一个味精每本从直觉上的子图,其中包含的所有对象和链接相关组相关的条款必须有所有所需的信息排名对象对这些术语之一。有两个重要的目标,而构建一个垃圾箱。1)控制每个箱的大小。2)减少箱子保存预处理时间的数量。实现第一个目标maxBinSize参数介绍这限制了工会的帖子列表的大小在本条款,称本大小。[7]

诉BINRANK系统的各种模型
一个。用户注册
访问BinRank系统,每个用户必须注册,必须有一个帐户。新用户可以创建一个新的id和选择一个密码,以及其他基本的细节内容,如名称、国家等。Registration.jsp我们创建的用户注册。每个成员必须有一个惟一id和密码进一步移动。每个用户登录表中存储的信息。
B。搜索查询优化
现在用户登录之后,他给出了一个选项来选择的关键字搜索他打算。例如,如果一个用户想要搜索在钦奈的海滩上,或寺庙在孟买,他选择第一个关键字,即。,the Category from a drop down list and the next keyword by writing in the TextField and finally pressing the Search button.
C。创建索引
当用户点击一个链接,网页级别表创建索引。索引的模式是:
用户可以搜索任何东西在我们的应用程序中,当我们与互联网连接。用户查询处理基于他们的提交,然后它将产生相应的结果。结果将是基于BinRank产生。
D。BinRank算法实现
会产生一个味精为每一本基于直觉的子图,所有对象和链接相关的一组相关的条款。需要等级的信息对象彼此。基于此索引生成,产生的结果也将用户的查询。BinRank算法将使用索引和排名技术在短时间内产生有效的结果。
E。基于等级图
将生成一个图表根据用户提交的查询。这张图代表搜索关键字,搜索、网站制作的数量的次数的网站出现在搜索结果的排名网站根据用户点击。用户可以重复搜索相同的关键字,结果可能产生相同的url。在用户点击的网址;根据他们的点击计算排名。基于URL发生的次数,和关键字的排名将生成的图表。

六。结论
在本文中,我们提出了BinRank作为动态建立起你的权威搜索更好的和实用的解决方案。这项技术是基于分区和近似不同的子图。BinRank查询提供了一个很好的权衡时间、预处理时间和存储空间。遭受一个昂贵的fix-point PageRank算法和迭代计算和可伸缩性问题。ObjectRank扩展的个性化网页排名上执行搜索数据库,而不是Web图表。也可能/不可能只显示这些对象,没有关键字但高度相关。它使它更优越,但遭受PPR的相同的可伸缩性问题。BinRank ObjectRank适用于在一个更小的子图,而不是竞争图,和这些子图计算离线。一组公司由分区组成的垃圾箱,基于他们的同现。

数据乍一看
图1 图2
图1 图2

引用