黃曉清

廈門華天涉外職業(yè)技術(shù)學院

基于云計算分析大數(shù)據(jù)信息檢索技術(shù)

黃曉清

廈門華天涉外職業(yè)技術(shù)學院

信息技術(shù)的發(fā)展使得信息化時代逐漸到來，信息數(shù)量呈現(xiàn)出了一種爆炸性增長的趨勢，而云計算以及云存儲的出現(xiàn)，也在一定程度上加快了大數(shù)據(jù)的產(chǎn)生，對于信息檢索的效率也提出了較高的要求。本文結(jié)合云計算以及大數(shù)據(jù)的有關(guān)概念，對大數(shù)據(jù)信息檢索技術(shù)進行了分析和討論。

云計算；大數(shù)據(jù)；信息檢索技術(shù)

前言

計算機技術(shù)和網(wǎng)絡技術(shù)的普及，帶動了云服務的增長，也使得越來越多的單位和個人開始將業(yè)務轉(zhuǎn)移到了在線應用方面，大量的在線業(yè)務產(chǎn)生了海量的數(shù)據(jù)信息，也就是所謂的大數(shù)據(jù)。在云計算背景下，如何對大數(shù)據(jù)進行有效處理，從中快速檢索出需要的信息，是需要相關(guān)技術(shù)人員深入研究的課題。

1 云計算與大數(shù)據(jù)

云計算是一種基于互聯(lián)網(wǎng)的全新計算方式，可以通過將共享的信息資源和軟硬件資源提供給相應的計算機和設(shè)備，使得有限的網(wǎng)絡資源發(fā)揮出最大效益。

大數(shù)據(jù)也稱巨量數(shù)據(jù)，指數(shù)據(jù)量極其巨大，無法通過現(xiàn)有的主流數(shù)據(jù)處理軟件，在合理時間內(nèi)進行采集、管理、處理的資訊,是繼移動計算、物聯(lián)網(wǎng)、云計算等信息技術(shù)之后的又一個新興事物。當數(shù)據(jù)容量在10TB-1PB之間時，就可以稱之為“大數(shù)據(jù)”。

無論是云計算還是大數(shù)據(jù)，都是現(xiàn)代信息技術(shù)發(fā)展到一定階段的產(chǎn)物，尤其是大數(shù)據(jù)的出現(xiàn)，使得數(shù)據(jù)需要通過TB、PB、ZB等進行描述，在豐富了數(shù)據(jù)信息的同時，對信息的檢索技術(shù)也提出了更高的要求，在云計算環(huán)境下，想要對大數(shù)據(jù)進行有效處理，從海量信息中提取出日常所需，就必須加強對信息檢索技術(shù)的深入研究[1]。

2 基于云計算的大數(shù)據(jù)信息檢索技術(shù)

2.1 WEB信息收集與檢索

基本上，信息的總量與其價值密度成反比關(guān)系，在數(shù)以億記的信息頁面中，能夠滿足日常所需的信息也許只有數(shù)頁甚至。云計算本身通過對軟硬件資源的共享，具有極強的計算能力，能夠?qū)π畔⑦M行快速處理，不過，面對大數(shù)據(jù)，又如何利用云計算對其中有價值的信息進行挖掘，是需要解決的關(guān)鍵性問題。就目前而言，云計算中的大數(shù)據(jù)信息檢索過程可以分為兩個階段，一是檢索，二是網(wǎng)頁收錄。

在信息檢索云中，所有的服務器都能夠?qū)?shù)據(jù)信息進行相應的排序和分析，從中計算出相關(guān)度較高的服務器，并將其排在最前面。與此同時，可以針對存儲服務器上存在的信息進行檢索，檢索方式包括了深度優(yōu)先和廣度優(yōu)先兩種，檢索到的最終結(jié)果可以存儲在Index Repository中，網(wǎng)頁則會直接收錄在索引中。結(jié)合索引詞庫以及網(wǎng)頁本身的內(nèi)容，在索引中進行倒排序，對于存儲在同一個索引中國的網(wǎng)頁標題以及連接數(shù)據(jù)，可以采用廣度優(yōu)先的方式進行檢索，而對于存儲在另一個優(yōu)先級較高的索引中的網(wǎng)頁內(nèi)容，則可以用深度優(yōu)先的方式檢索。存在于檢索云服務器中的數(shù)據(jù)都是經(jīng)過了分析和整理后的元數(shù)據(jù)，會按照相關(guān)度的高低進行排列，然后結(jié)合存儲服務器，展開分布式檢索，檢索的方式不變，檢索結(jié)果同樣存儲在Index Repository中。網(wǎng)頁收錄過程存儲于搜索引擎的索引中。當用戶發(fā)出搜索請求時，實際上是在Index Repository中進行信息的檢索，頁面內(nèi)容依照Page Rank的方式編制出倒序檢索列表，放置于存儲器中。頁面標題與連接數(shù)據(jù)處于同一索引，以廣度優(yōu)先進行搜索，頁面內(nèi)容處于另一個索引中，以深度優(yōu)先進行搜索[2]。

無論是在網(wǎng)頁的收錄過程中，還是用戶發(fā)起信息檢索請求的過程中，都會涉及相關(guān)度的計算。就目前而言，許多用戶在進行信息檢索時，都會遇到結(jié)果顯示緩慢的情況，之所以如此，主要是由搜索引擎中的緩存區(qū)域都是事先安排好的，盡管其并不知道用戶可能會搜索哪一個關(guān)鍵詞，但是其建立了一個常用關(guān)鍵詞的詞庫，在為用戶提供便利的同時，也能夠在一定程度上提高信息檢索的效率。

2.2 檢索過程

（1）搜索請求分析：當用戶打開搜索引擎，輸入關(guān)鍵詞，同時點擊搜索提交請求后，網(wǎng)頁上就會顯示出相應的結(jié)果。之后，搜索引擎會結(jié)合這次搜索請求，進行細致全面的分析以及分詞處理。如果是依照搜索請求進行空格分詞，則一般需要排除掉重復的信息，才能保證搜索結(jié)果的準確性；而如果采用的是中文分詞，處理環(huán)節(jié)會比較麻煩，其主要包括兩種不同的分詞方式，一是匹配字符串，采用的方法有逆向最大匹配法、正向最大匹配法以及最少切分法，搜索引擎會通過模擬人類思維的方式，針對句子進行檢測以及分詞，整合詞語和表達形式，以方便進行理解。在分詞時，通常會首先分析并處理語句的大致意思和語法，避免歧義，由語法子系統(tǒng)、語義子系統(tǒng)以及分詞子系統(tǒng)共同構(gòu)成控制系統(tǒng)，控制搜索引擎工作；二是如果存在相鄰的詞，中文分詞會將其看作是一個詞，在這種情況下，用戶在輸入關(guān)鍵詞時加入的停止詞如“的”、“吧”等，往往會被搜索引擎自動去除。

（2）搜索請求匹配：在對用戶的搜索請求進行分析后，搜索引擎會自動匹配相應的URL，其本身的數(shù)量極其巨大，必須結(jié)合搜索引擎，依照YRL的匹配程度，進行排序，才能確保結(jié)果的有效顯示。系統(tǒng)會自動將分詞后的信息以及網(wǎng)頁本身的Page Rank值同鏈接中的網(wǎng)頁描述信息結(jié)合在一起，最終確定檢索排序結(jié)果，并顯示在網(wǎng)頁中，從而盡可能確保網(wǎng)頁顯示的內(nèi)容能夠滿足用戶的實際需求[3]。

3 結(jié)語

在云計算背景下，大數(shù)據(jù)得到了快速發(fā)展，海量數(shù)據(jù)的涌現(xiàn)對于信息檢索技術(shù)也提出了更加嚴峻的挑戰(zhàn)。面對著各種智能設(shè)備的普及以及不斷增長的用戶需求，相關(guān)技術(shù)人員應該加強對于大數(shù)據(jù)信息檢索技術(shù)的研究和實踐，不斷對技術(shù)進行更新，以滿足用戶對于數(shù)據(jù)檢索的個性化需求。

[1]吳雪琴,舒曉苓.基于云計算的大數(shù)據(jù)信息檢索技術(shù)研究[J].電腦知識與技術(shù),2014,10(10):2388-2390.

[2]劉月.探究云計算下大數(shù)據(jù)的信息檢索技術(shù)應用[J].數(shù)字技術(shù)與應用,2015,(7):95.

[3]王曉艷,李慧穎.大數(shù)據(jù)環(huán)境下信息檢索的變革[J].科技情報開發(fā)與經(jīng)濟,2015,(4):117-119.