Hybrid Contextual Ontology-Fuzzy Logic and LSTM Model for Efficient Web Crawler Prediction and Traffic Optimization
Notice bibliographique
Résumé
Efficient management of web crawlers and prediction of their behavior remain key challenges in the domain of intelligent information retrieval, particularly when multiple crawlers operate simultaneously in dynamic environments.This research presents a hybrid framework that integrates long short-term memory (LSTM) networks, fuzzy logic, and contextual ontology to enhance the accuracy and efficiency of web crawling and traffic optimization.The LSTM component is responsible for identifying temporal patterns in historical crawling behavior and predicting future crawler actions, while fuzzy logic deals with uncertain or imprecise web data, enabling smoother decision-making processes.To enrich the semantic understanding of web content and improve context-based data extraction, a contextual ontology is employed, allowing for intelligent interpretation and classification of retrieved web data.The proposed model was evaluated using two largescale benchmark datasets: Common Crawl (250 GB) and ClueWeb09 (1 TB).These datasets were chosen for their diversity and representation of real-world web structures and content.Experimental results demonstrate that the proposed system outperforms conventional approaches, achieving an 18.3% improvement in prediction accuracy and a 15.7% reduction in network traffic, compared to baseline LSTM and rule-based models.These results confirm the model's capability to reduce redundant data retrieval, avoid crawler overlaps, and enhance resource efficiency.This study highlights the potential of combining machine learning with semantic technologies to improve web crawling in complex environments.The proposed hybrid system offers a scalable, intelligent solution for high-performance information retrieval and efficient network traffic management.
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 | 0,001 |
| 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 ».