ارائه روش جدید برای پیش بینی موضوع صفحات وب در خزشگرهای کانونی

اینترنت، در سالهای اخیر روند سریع و روبه رشدی را طی میکند و تعداد صفحات وب نیز به طور روز افزون در حال افزایش استو این رشد نمایی، دستیابی به اطلاعات مرتبط را روز بهروز مشکل تر نموده است. در طی این سالها همواره مسئله کلیدی درطراحی خزشگرهای کانونی، چگونگی تعیین ارتباط پیوندهای بازدید نشده با موضوع جستجو بوده است. پیش بینی موثر موضوعصفحه وب، از دانلود و مشاهده صفحات غیر مرتبط ممانعت می کند. در این مقاله، یک روش جدید مبتنی بر یادگیری برای بهبود پیش بینی موضوع پیوندها در خزشگرهای کانونی، پیشنهاد شده است. برای این مطالعه، از ابزار دسته بندی بیز ساده و CRT برای دسته بندی و پیش بینی موضوع استفاده شده است. نتایج این تحقیق نشان داد که رویکرد ما در انتخاب چهار ویژگی کلمات پیوند، لنگر، عنوان و متن صفحه پدر کارایی بهتری دارد؛ همچنین عنوان صفحه پدر ویژگی مهمی در پیش بینی موضوع پیوند است که با ویژگی های کلمات پیوند و لنگر و عنوان صفحه پدر و متن صفحه پدر با ابزار دسته بندی CRT، دقت 0.894 و فراخوانی 0.894 حاصل شده است.