CS 121 / IN4MATX 141 is UCI's information retrieval course: how search engines collect, process, index, and rank web documents.
This page collects week-by-week notes for classmates who want a structured review of text processing, the web graph, SEO and spam, web crawling, the ethics and law around collecting web data, and text processing and term-document matrices.
CS 121 / IN4MATX 141 是 UCI 的信息检索课程,讲搜索引擎如何收集、处理、索引网页文档并为其排序。
这个页面汇总按周整理的课程笔记,方便同学回顾文本处理、网络图、SEO 与垃圾信息、网络爬虫、采集网页数据涉及的伦理与法律问题,以及文本处理与词项-文档矩阵。
How the course works, what information retrieval is, types of search engines, databases vs. search engines, relevance and retrieval models, classic vs. web IR, and search engine architecture.
Last edited on October 22, 2026
Corpus and tokenization, the web graph, web users and queries, the ad business model, SEO and spam, URLs, and the first steps toward a crawler.
Last edited on October 22, 2026
The basic crawl loop, robots.txt and sitemaps, politeness, crawler traps, duplicates, freshness, distributed and focused crawling, and ethics, privacy and copyright.
Last edited on October 22, 2026
Document conversion and character encodings (Unicode, UTF-8), storing documents (TREC Web, compression, BigTable), exact and near-duplicate detection (checksums, n-gram fingerprints, Simhash), removing page noise, and text statistics with Zipf's law.
Last edited on October 28, 2026
Tokenizing problems, stopping, stemming (suffix-s, Porter, Krovetz), phrases with POS tagging and n-grams, document structure and anchor text, and the term-document incidence matrix.
Last edited on October 28, 2026
课程安排、什么是信息检索、搜索引擎的类型、数据库与搜索引擎的区别、相关性与检索模型、传统 IR 与网络 IR，以及搜索引擎架构。
最后编辑于 2026 年 10 月 22 日
语料与分词、网络图、网络用户与查询、广告商业模式、SEO 与垃圾信息、URL，以及走向爬虫的第一步。
最后编辑于 2026 年 10 月 22 日
基本爬取循环、robots.txt 与 sitemap、礼貌性、爬虫陷阱、重复内容、新鲜度、分布式与聚焦爬取，以及伦理、隐私与版权。
最后编辑于 2026 年 10 月 22 日
文档转换与字符编码（Unicode、UTF-8）、文档存储（TREC Web 格式、压缩、BigTable）、精确与近似重复检测（校验和、n-gram 指纹、Simhash）、去除网页噪声，以及文本统计与 Zipf 定律。
最后编辑于 2026 年 10 月 28 日
分词难点、停用词去除、词干提取（suffix-s、Porter、Krovetz）、用词性标注和 n-gram 识别短语、文档结构与锚文本，以及词项-文档关联矩阵。
最后编辑于 2026 年 10 月 28 日