[发明专利]一种基于树形结构的排序方法

权利要求书

1.一种基于树形结构的排序方法，用于中文搜索引擎中对中文网页数据的处理，包括：

步骤S100，网页数据预处理；

步骤S200，建立网页数据索引文件；

步骤S300,接收用户输入的查询字符串，根据网页数据索引进行检索；

步骤S400,对检索到的结果进行排序，将排序结果展示给用户；

其中，步骤S200中的所述网页数据索引文件是对处理后的网页数据所建立的网页数据索引组成的文件；

其中，步骤S100包括：

首先对抓取的原始网页进行分类，然后再按照分类分别提取网页中的文本信息，得到分类后的文本信息；生成网页索引文件的过程包括为原始网页的每个分类分别建立网页索引文件；

其中，所述网页数据索引是基于二元内相关后续树创建的索引；

所述二元内相关后续树定义如下：

(1)后续：对文本T中的字符串a1a2来说，a2称为a1的后续，文本T最后一个字符的后续称为结束符，用“#”来表示；文本中总会有相同的字符出现，具体来说就是有相同的字或词，如果某一个索引项a出现了k次，a不是文本的结尾，那么a有k个后续，记作a[s]，s＝1，2，…，k；

(2)一元后续表达式与一元后续树：假设全文T是由字符串a1，a2，…，an，#组成的，如果其中的ai1＝ai2＝…＝aik是相同的字符，记为a，而ai1+1，ai2+1，…，aik+1分别是它们的后续，则所有的a和它的后续就构成了一个一元后续表达式a(ai1+1,ai2+1,…,aik+1)，用一棵树来描述此表达式，a是树根，ai1+1，ai2+1，…，aik+1是它的后续结点，这棵树就是a的一元后续树；

(3)二元后续表达式与二元后续树：对一元后续表达式进行扩展，如果原文T中有相同的字符串ai1ai1+1＝ai2ai2+1＝…＝aikaik+1，记作ab，则所有的ab和其后续就构成了一个二元后续表达式，记作a(b(ai1+2,ai2+2,…,aik+2))；

(4)a的二元后续树表示为：a是树根，ai1+1，ai2+1，…，aik+1是a的后续，(ai1+1,tag1)，(ai2+1,tag2)，…，(aik+1,tagk)则作为a的后续结点，其中，tag1，tag2…，tagk分为是以ai1+1，ai2+1，…，aik+1为根的一元后续树中ai1+1，ai2+1，…，aik+1的后续所在分支的序号；

(5)内相关后续树的定义：由一个源文档库中全部文档的所有索引项的后续树组成的森林，叫做这个源文档库的内相关后续树，当所述后续树为二元后续树时，该内相关后续树为二元内相关后续树。

2.如权利要求1所述的基于树形结构的排序方法，其中，所述网页数据索引为字索引和/或词索引。

3.如权利要求1所述的基于树形结构的排序方法，其中，在步骤S200中，建立网页数据索引文件进一步包括：

首先，判断每个分类的文本信息的容量，当所述分类的容量小于1GB时，为所述分类的文本信息建立字索引，当所述分类的容量大于等于1GB时，为所述分类的文本信息建立词索引。

4.如权利要求3所述的基于树形结构的排序方法，进一步包括：

将查询字符串分别分解为字和词，对于网页数据索引是字索引的情况，按字根据所述字索引来进行检索；对于网页数据索引是词索引的情况，按分词根据所述词索引来进行检索。

5.如权利要求4所述的基于树形结构的排序方法，其中，在为所述网页数据建立词索引之前，还包括对文本信息进行分词的步骤，具备包括：利用分词词典对文本进行分词操作形成标引词集合。