Web content outlier mining: motivation, framework, and algorithms
Notice bibliographique
Résumé
Data that differ significantly from the norm are considered outliers. Finding outliers from huge data repositories is akin to finding needles in a haystack. Even more challenging is searching for outliers from Web data repositories. The presence of outliers at every data repository cannot be denied in the data mining community of which the Web is not an exception. However, there is neither a formal definition nor known algorithms for mining Web outliers. Secondly, existing outlier mining algorithms designed solely for numeric data cannot be applied directly to mine outliers from Web datasets which contain data of different types (i.e., text, hypertext, video, audio, images, etc.). The thesis establishes the presence of outliers on the Web and provides motivation for mining them. It provides a taxonomy for Web outliers that supports the development of content specific algorithms for mining Web outliers. The thesis discusses a general framework for mining Web outliers but concentrates on designing models for mining Web content outliers. Three algorithms for mining Web content outliers are proposed. The WCOW-Mine algorithm is based on full keyword matching whereas WCON-Mine algorithm uses character n-grams for partial matching of strings. The third algorithm, HyCOQ, uses a hybrid of keywords and n-grams. With slight modifications all three algorithms can either use a domain dictionary or not. The HyCOQ algorithm eliminates the weaknesses in n-gram-based and keyword-based systems. The experimental results reveal all the algorithms are capable of finding Web content outliers. Further, HyCOQ shows huge improvements in accuracy over WCON-Mine and WCOW-Mine with embedded motifs. The results also show irrespective of the algorithm, mining Web content outliers without domain dictionary is more efficient than using one.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».