通过语义相关性的搜索引擎设计是一种有效的方式。过分析搜索过程中获得的页数和每页关键词的密度，提出了一种基于内核功能的语义关联算法。时，实验进行的标准测试组，并与其它几种方法existantes.Les结果表明，该方法和专家评分之间的相关系数斯皮尔曼是最高的，再次证明一次新算法中使用的算法的效率。键词对语音部分，语法等没有限制，算法简单，有利于实际应用和推广。键词：搜索引擎，语义相关，核函数，关键字CLC数的密度：TP391.41文献代码：A文章编号：2096-4706（2018）09-0077-03Résumé：这是同时，对标准测试集进行了实验，结果表明该方法的相关系数与专家评分的Spearman评分最高，这也表明算法的有效性，因为新算法中使用的关键词不受语音和语法部分的限制，算法简单，有利于实际应用和推广关键词：搜索引擎;语义关系;核函数;关键词密度随着互联网的出现+“，信息资源的数量大大增加，搜索引擎已成为获取信息的主要手段之一。注搜索引擎并搜索它们目前，搜索引擎研究的两个主要方面是搜索结果的排序和评估。义相关性和相似性的整合作业搜索引擎将使其更加精确和智能。1]的现有语义相关的计算方法可以粗略地分为计算的经典方法和基于网络百科全书[2]，如矢量方法上下文[3]，潜在语义分析（LSA）[4]，语义显示分析（ESA）。5]可用于微积分l，但大多数都依赖于字典或语料库，如Wordnet和Hownet，它们给出了算法本身的限制，例如受数据噪声的影响[2]和困难计算。搜索引擎算法出现的基础上，这部分问题得到了有效解决：李素健将语义计算引入质量保证体系，并通过相似性计算句子间的相关性。词和单词之间的相关性[6];陈海燕使用语义片段。
了消除噪声，已经提出了SRPMI算法[7];陈晓宇和他的合作者提出了一种基于页数的相关算法[1]。于他的研究，本文提出了一种基于内核的算法。于核函数的语义相关算法的基本原理陈晓宇等。[2]假设如果两个单词出现在同一页面中，它们必须有一些相关性。
这种情况下，搜索项返回的页数用于计算这两个单词。关程度（注释为rel）刘生久等[8]利用集合论中集合相似性的概念，并基于搜索引擎返回的一致性结果定义了一种方法（表示为Liu）。试后，两种方法都给出了良好的结果。Ajzerman等人在机器学习中引入了核函数。[10]在1964年，但仍保持在理论水平。
992年，
宁波seo优化博斯等人。[11]使用这种技术将线性支持向量（SVM）推广到非线性机器。SVM。那以后，它在文本分类中得到了更广泛的应用。“统计学习方法”一书表明核心功能是映射关系的内在产物。算不需要考虑映射函数的具体形式，这简化了计算[9]。于文本，在一定程度上，这可以反映两个输入数据x，y之间的相关性，并且更强调单词之间的相似性。相关文献[1]的基础上，提出了一种基于核函数的改进算法。验测试语义相关性是自然语言领域的一个研究轴：自引入以来，这一概念具有很强的主观判断性，对各种计算方法的评价是一个难题。一，从理论上说，如果该方法满足所要求的数学性质，其次，在机器上的算法被用于：研究各种方法后Budanitsky [13]总结评估的方法的三个主要点。
结果与人类判断，一致程度以及最终在特定应用背景下的方法性能进行比较。为整体反思的一部分，本文对标准测试集进行了实验，将得到的结果与人工判断进行了对比，并进一步分析了实验结果，进一步说明了算法的可行性。中文计算术语中，没有公布的相关测试集[14]，中文关键词很难掌握，大多数含义必须在上下文中考虑，导致重要的文本矢量噪声[15]。
此，本文使用Miller＆Charles英语测试集，由30个单词对组成，具有均匀分布的相关性。
词对的相关性范围从0到4. 38个主题的平均判断基于该值平均。也是目前国际上使用的数据集[16]。用的搜索引擎包括谷歌，百度，搜狗，必应等。中，谷歌占有最大的市场份额，并根据独立第三方益普索研究机构的盲品测试的结果，参加中国的75％更喜欢微软Bing。
局搜索的结果，这方面表明微软Bing在整体搜索中具有明显的优势[17]。bing（国际版）作为实验性搜索引擎的选择也具有一定的合理性。实验结果（表1）结果的分析，我们不难看出，在这篇文章中给出的方法是与认知是一致的：相比原来的方法（REL）和另一种方法（刘） ，达到SROCC相关系数与专家值。0.6661，Pr值远低于0.05，这在一定程度上表明该算法具有一定的优势和更高的效率，可以在改进后引入搜索引擎的工作中。过分析，主要原因如下：初始方法主要基于页面计数，重点是单词之间的关联程度。本文中，基于语义核的功能，我们考虑了单词的相似性。搜索过程中，选择了无用的网页并进行了初始去噪。中，需要注意的是，无论使用何种搜索引擎，网页的信息都会实时保存，这将使上述算法的计算结果不同，但影响将是不重要。束语本文简化了现有的语义关联算法，并对核函数进行了集成。出了一种基于搜索引擎的改进相关算法，并在MC数据集上进行了测试。试结果与专家值的一致性较高，相关系数得到显着提高，表明该算法是有效的。
后增加数据集并将其训练到更稳定的状态（表2）。实际搜索中，搜索到的单词被分段并与页面的关键字相关联。果可以排序为搜索引擎页面。地。时，查询词通常包含语义信息。
前的搜索引擎主要使用基于关键词的匹配技术，对该技术的语义理解较弱，不能捕捉用户的意图[20]。管实验中的评估结果优于原始方法，但仍存在优化和改进以满足最严格要求的问题。步假设可以使用请求扩展方法基于文本的内容扩展关键字，并且可以通过奇异值分解来减少词汇 - 文档矩阵以探索关系。件和文件之间，文字和文件之间的潜在语义[21]。
后计算相关性。外，中文分词词典很大，通常在50，000到250，000个术语之间[22]，并且同义词经常出现，这可能对中文测试集产生相同的影响。明显。后续工作中，应对中文文本的特点进行合理调整，使其同样适用。
本文转载自
宁波seo优化www.leseo.net
补充词条：
宁波谷歌seo
宁波seo推广公司
宁波seo排名
宁波网站优化推广
宁波谷歌优化
