藏文网页倒排索引。

        第一步:抽取网页正文。网页正文是对立网页噪声而言。现在的互联网络网页上, 页面包车型的士很多篇幅用在告白、探求引荐和其余链接上。网页探求东西关心的是网页自己要表白的消息, 以是在经过爬虫获得到页面源码之后, 要去除那些与正文无干的噪声, 抽取到网页正文。

        第二步:分字。藏文笔墨辨别于华文, 华文是一个字运用一个源代码, 而藏文是对构成字的基字源代码, 一个完备的藏笔墨大概生存多个源代码, 那些源代码按构成藏笔墨的本领程序陈设。

        第三步:对全文以字建索引。以字建索引, 固然检索进程的配合计划量会更大, 但商量到暂时藏文网页总体数目不大, 该当是一种可行的普及查全率的方法。按照上一步获得的字, 记载每个字在文中展示的场所, 计划每个字展示的度数, 创造链表。场所用来检索时的准决定位, 度数用来计划字对文书档案的要害性, 也用来关系性排序计划。