1、隨著Internet近期的高速發(fā)展，web上的信息資源已經(jīng)達到ZB級。面對如此海量數(shù)據(jù)資源，如何快速、有效獲取主體化的專業(yè)知識和信息資源成為一個難題，而此時搜索引擎的出現(xiàn)解決了信息迷失問題。但目前存在的通用搜索引擎對于信息需求集中、主題明確的行業(yè)客戶缺乏導向。近期，出現(xiàn)了針對具體領域信息完全收錄和及時更新的主題搜索引擎。
　　 本文對國內(nèi)外主題搜索引擎技術的發(fā)展和主題搜索引擎的現(xiàn)狀進行分析，并對搜索引擎的工作原理和兩大主題搜索技

2、術：內(nèi)容過濾和信息提取進行了詳細介紹。重點研究了網(wǎng)頁抓取時如何通過URL和內(nèi)容兩方面進行主題過濾，對PageRank算法進行深入研究，結合向量空間算法提出更有針對性的主題過濾方法并通過研究如何將過濾后的網(wǎng)頁進行信息提取，提出主題信息抽取的方法。
　　 本文基于開源搜索引擎Nutch，將人工智能、信息提取、數(shù)據(jù)挖掘等研究領域知識有機結合，并對PageRank、空間向量算法進行結合和改進，通過HTML結構抽取與本體信息抽取相結合的方