Adaptive Web Crawling Strategies Based on Ontological User Interest Modeling for Personalized Content Retrieval
Notice bibliographique
Résumé
The exponential growth of web content necessitates efficient and personalized methods for information retrieval. This research introduces an innovative approach to web crawling, centered on adaptive strategies guided by ontological user interest modeling, aiming to enhance the precision of personalized content retrieval. The proposed method employs a dynamic user interest model, constructed, and continually refined through user interactions, leveraging ontology to represent and understand the complex and evolving nature of user interests. In contrast to traditional web crawlers that operate on fixed algorithms, the adaptive crawler anticipates changes in user interests and adjusts its strategies, accordingly, ensuring relevance and timeliness of the retrieved content. The system architecture integrates a multi-faceted profiling mechanism that captures and evolves with user preferences, combined with an intelligent crawling algorithm that prioritizes content based on predicted user interest levels. Empirical results demonstrate a significant improvement in retrieval precision and efficiency, highlighting the crawler's ability to discern and adapt to the nuanced shifts in user interests. Furthermore, the research delves into the implications of such personalized crawling on user privacy and web dynamics, offering insights and recommendations for a balanced approach. This work contributes to the fields of semantic web, personalized content retrieval, and adaptive systems, proposing a novel pathway for the next generation of intelligent web crawlers.
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 | 0,001 | 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 ».