پیش بینی ارتباط در خزش گرهای وب

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 551

This Paper With 7 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NCCOS03_038

تاریخ نمایه سازی: 9 مرداد 1395

Abstract:

خزش گر متمرکز یک خزش گر وب است که هدف آن کشف اطلاعاتی در مورد یک موضوع خاص است که آن رابه موضوع موردعلاقه مربوط سازد. این مقاله با بررسی و مقایسه خزش گرهای مختلف متمرکز می پردازد.تکنیک ها در اینجا بر اساس پارامترهای مختلف برای پیدا کردن مزایا و محدودیت ها برای پیش بینی ارتباط URL ها می باشند. در این مقاله ما روش های مختلف پیش بینی ارتباط درخزش گرهای متمرکز یعنی پیش بینی ارتباط بر اساس محتوا یعنی خزش گر ماهی و خزشگر کوسه ، پیش بینی موضوع مبتنی بر دسته بندها و پیش بینی ارتباط بر اساس محتوای تجزیه و تحلیل لینک و هاوک 1 و هم چنین پیش بینی ارتباط بر اساس طبقه بندی را موردبحث و مقایسه وارزیابی قرار می دهیم

Keywords:

کلمات کلیدی :خزش گر متمرکز , پیش بینی ارتباط , موتور جستجو , صفحات URL

Authors

محمد طهماسبی

دانشجوی کارشناسی ارشد دانشگاه آزاد بروجرد

محمود محمدی

دانشجوی کارشناسی ارشد دانشگاه آزاد بروجرد

محمد ابراهیم شیری احمد آبادی

استاد یار دانشگاه صنعتی امیرکبیر

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Focused Crawler with Content and Link Analysis", 4Aه [2] Chain, ...
  • Text Classification and Focused Crawling", IEEE, 2011. Automaticءه [13] Sameendra, ...
  • A. Pal, D. S. Tomar, and S. C. Shrivastava, "Effective ...
  • based on Naive Bayesian Classfication" International Journal of Computer Applications ...
  • D.Lew, H. Wahlig, and G. Meyer-bautor , The freshness of ...
  • D. Taylan, M. Poyraz, S. Akyokus, and M. C. Ganiz, ...
  • G.Salton and C. Buckley , ; Term weighting approaches in ...
  • G.Pant and P. Srinivasan . Learning to Crawl: Comparison classification ...
  • Han, J. and Kamber , "Data Mining: Concepts and Techniques", ...
  • H. Michael, J. Michal, M. Yoelle, P. Dan, S. Menachem, ...
  • An improved Topic Relevance Algorithm for Focused Crawling", "ه [10] ...
  • Mejdl, Abdullah, Dunren "Improving the Relevance Prediction for Focused Web ...
  • P. De Bra, G-J Houben, Y. Kornatzky, and R. Post, ...
  • نمایش کامل مراجع