QuickCharNet: An Efficient URL Classification Framework for Enhanced Search Engine Optimization
Notice bibliographique
Résumé
The uniform resource locator (URL) conveys essential information about a page’s topic, authority, and security, which significantly influences its ranking in search engine results. However, many existing URL classification methods used for real-time online inference face challenges related to time and memory complexity during preprocessing, processing, and inference stages. In environments where quick decision-making is crucial, such as cybersecurity or digital marketing, slow or resource-intensive classification processes can limit the ability to prioritize and select URLs effectively. This study presents QuickCharNet, a novel URL classification architecture that combines character-level convolution with token-level representation to improve efficiency and generalizability for real-time URL inference. Key contributions of QuickCharNet include the use of max and mean pooling techniques to aggregate character embeddings into token embeddings, the exploration of sub-word tokenizers for optimal URL representation, and a comparative analysis of five models using metrics such as accuracy, F1-Score, and t-distributed Stochastic Neighbor Embedding (t-SNE) visualizations. By prioritizing user experience and safety, this research aims to enhance the accuracy of topic classification based on URL positioning in search engine results and evaluate the likelihood of spam. Ultimately, the findings support developers in efficiently identifying and addressing URL-related issues for improved search engine optimization. QuickCharNet was trained on a dataset developed for this study and two benchmark datasets. Experiments revealed optimal settings for URL classification and spam detection, resulting in a 4.92% improvement in topic classification and a 1% improvement in spam detection. These results emphasize the significance of URLs in search engine optimization: well-named URLs enable better topic classification, increasing the likelihood of appearing on the first page of search engine results by 4.92%. Conversely, URLs identified as spam face a higher chance of lower rankings, impacting their first-page visibility by 1%. Link to the source codes:https://github.com/FardinRastakhiz/QuickCharNet.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».