1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，以及人類對有用信息的需求猛烈增長，搜索引擎技術(shù)在過去的十年中取得了長足進步。流行的商業(yè)引擎如雅虎和谷歌等，其搜索對象僅僅限于超文本，而沒有對其他信息資源進行覆蓋。眾所周知，數(shù)據(jù)庫在信息的存儲和檢索上都具有至關(guān)重要的作用，在近幾年，針對數(shù)據(jù)庫的搜索引擎已經(jīng)成為計算機科學領(lǐng)域極富吸引力的研究方向。 本文在本實驗室所開發(fā)的新一代分布式數(shù)據(jù)庫系統(tǒng)--數(shù)字有機體數(shù)據(jù)庫系統(tǒng)的基礎(chǔ)上，設(shè)計并開發(fā)了一種針對數(shù)據(jù)庫的搜索引擎

2、。數(shù)字有機體數(shù)據(jù)庫系統(tǒng)的設(shè)計目的是在由多個服務(wù)器節(jié)點構(gòu)成的廣域網(wǎng)絡(luò)內(nèi)，進行數(shù)據(jù)庫的分布式存放和數(shù)據(jù)庫檢索的分布式調(diào)度?；跀?shù)字有機體數(shù)據(jù)庫的搜索引擎使用戶可以用一系列的關(guān)鍵字在多個數(shù)據(jù)庫中檢索同關(guān)鍵字相關(guān)的記錄。 基于分詞、文本分類、信息壓縮等廣泛應(yīng)用于傳統(tǒng)搜索引擎的流行技術(shù)，本文提出了一些改進的算法和工程方法來提高數(shù)據(jù)庫搜索引擎的性能表現(xiàn)。本文重點突出了其在理論和工程實現(xiàn)上對數(shù)據(jù)庫搜索引擎所做出的創(chuàng)新和改進。其中主要的工作包括

3、： 1、大規(guī)模中文信息處理是構(gòu)建中文搜索引擎的基本環(huán)節(jié)，為了實現(xiàn)大規(guī)模中文信息處理，本文提出了一種改進的中文分詞算法?；谇熬Y樹和動態(tài)規(guī)劃，該算法提高了中文分詞速度，同時保持了相對較高的分詞準確性。此外，該算法提供了一種靈活的機制來處理詞典未收錄的詞匯，比如人名、地名、機構(gòu)名稱等。 2、傳統(tǒng)的基于支持向量機的文本分類器需要大量的人工標注的訓練文本，既包括正類訓練文本也包括負類訓練文本。為了解決負類訓練文本缺乏的問題，本文