Learning to schedule web page updates using genetic programming
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/ESBF-97GJSQ |
Resumo: | Um dos principais desafios enfrentados durante o desenvolvimento de políticas de escalonamento para atualizações de páginas web é estimar a probabilidade de uma página que já foi coletada previamente ser modificada na Web. Esta informação pode ser usada pelo escalonador de um coletor de páginas web para determinar a ordem na qual as páginas devem ser recoletadas, permitindo ao sistema reduzir o custo total de monitoramento das páginas coletadas para mantê-las atualizadas. Nesta dissertação é apresentada uma nova abordagem que usa aprendizado de máquina para gerar funções de score que produzem listas ordenadas de páginas com relação a probabilidade deterem sido modificadas na Web quando comparado com a última versão coletada. É proposto um arcabouço flexível que usa Programação Genética para evoluir funções que estimam a probabilidade de a página ter sido modificada. É apresentado ainda uma avaliação experimental dos benefícios de usar o arcabouço proposto em relação a cinco abordagens estado-da-arte. Considerando a métrica Change Ratio, os valores produzidos pela melhor função gerada pelo arcabouço proposto mostram uma melhora de 0.52 para 0.71, em média, em relação aos baselines. |
id |
UFMG_e81a2f242dc9f7c14dcb8337f2dae633 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/ESBF-97GJSQ |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Nivio ZivianiEdleno Silva de MouraWagner Meira JuniorAna Carolina Brandao SalgadoAécio Solano Rodrigues Santos2019-08-12T08:06:19Z2019-08-12T08:06:19Z2013-03-11http://hdl.handle.net/1843/ESBF-97GJSQUm dos principais desafios enfrentados durante o desenvolvimento de políticas de escalonamento para atualizações de páginas web é estimar a probabilidade de uma página que já foi coletada previamente ser modificada na Web. Esta informação pode ser usada pelo escalonador de um coletor de páginas web para determinar a ordem na qual as páginas devem ser recoletadas, permitindo ao sistema reduzir o custo total de monitoramento das páginas coletadas para mantê-las atualizadas. Nesta dissertação é apresentada uma nova abordagem que usa aprendizado de máquina para gerar funções de score que produzem listas ordenadas de páginas com relação a probabilidade deterem sido modificadas na Web quando comparado com a última versão coletada. É proposto um arcabouço flexível que usa Programação Genética para evoluir funções que estimam a probabilidade de a página ter sido modificada. É apresentado ainda uma avaliação experimental dos benefícios de usar o arcabouço proposto em relação a cinco abordagens estado-da-arte. Considerando a métrica Change Ratio, os valores produzidos pela melhor função gerada pelo arcabouço proposto mostram uma melhora de 0.52 para 0.71, em média, em relação aos baselines.One of the main challenges endured when designing a scheduling policy regarding freshness is to estimate the likelihood of a previously crawled web page being modified on the web, so that the scheduler can use this estimation to determine the order in which those pages should be visited. A good estimation of which pages have more chance of being modified allows the system to reduce the overall cost of monitoring its crawled web pages for keeping updated versions. In this work we present a novel approach that uses machine learning to generate score functions that produce accurate rankings of pages regarding their probability of being modified on the Web when compared to their previously crawled versions. We propose a flexible framework that uses Genetic Programming to evolve score functions to estimate the likelihood that a web page has been modified. We present a thorough experimental evaluation of the benefits of using the framework over five state-of-the-art baselines. Considering the Change Ratio metric, the values produced by our best evolved function show an improvement from 0.52 to 0.71 on average over the baselines.Universidade Federal de Minas GeraisUFMGProgramação genética (Computação)ComputaçãoSistemas de recuperação da informaçãoColeta incremental de páginas webProgramação genéticaPolíticas de escalonamentoLearning to schedule web page updates using genetic programminginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALaecio_solano_rodrigues_santos.pdfapplication/pdf604687https://repositorio.ufmg.br/bitstream/1843/ESBF-97GJSQ/1/aecio_solano_rodrigues_santos.pdf83633ff094e14eb442be2920f97ccbd1MD51TEXTaecio_solano_rodrigues_santos.pdf.txtaecio_solano_rodrigues_santos.pdf.txtExtracted texttext/plain94435https://repositorio.ufmg.br/bitstream/1843/ESBF-97GJSQ/2/aecio_solano_rodrigues_santos.pdf.txtd7daa643e67745dc931a4afce8523451MD521843/ESBF-97GJSQ2019-11-14 13:57:18.298oai:repositorio.ufmg.br:1843/ESBF-97GJSQRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T16:57:18Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Learning to schedule web page updates using genetic programming |
title |
Learning to schedule web page updates using genetic programming |
spellingShingle |
Learning to schedule web page updates using genetic programming Aécio Solano Rodrigues Santos Coleta incremental de páginas web Programação genética Políticas de escalonamento Programação genética (Computação) Computação Sistemas de recuperação da informação |
title_short |
Learning to schedule web page updates using genetic programming |
title_full |
Learning to schedule web page updates using genetic programming |
title_fullStr |
Learning to schedule web page updates using genetic programming |
title_full_unstemmed |
Learning to schedule web page updates using genetic programming |
title_sort |
Learning to schedule web page updates using genetic programming |
author |
Aécio Solano Rodrigues Santos |
author_facet |
Aécio Solano Rodrigues Santos |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Nivio Ziviani |
dc.contributor.referee1.fl_str_mv |
Edleno Silva de Moura |
dc.contributor.referee2.fl_str_mv |
Wagner Meira Junior |
dc.contributor.referee3.fl_str_mv |
Ana Carolina Brandao Salgado |
dc.contributor.author.fl_str_mv |
Aécio Solano Rodrigues Santos |
contributor_str_mv |
Nivio Ziviani Edleno Silva de Moura Wagner Meira Junior Ana Carolina Brandao Salgado |
dc.subject.por.fl_str_mv |
Coleta incremental de páginas web Programação genética Políticas de escalonamento |
topic |
Coleta incremental de páginas web Programação genética Políticas de escalonamento Programação genética (Computação) Computação Sistemas de recuperação da informação |
dc.subject.other.pt_BR.fl_str_mv |
Programação genética (Computação) Computação Sistemas de recuperação da informação |
description |
Um dos principais desafios enfrentados durante o desenvolvimento de políticas de escalonamento para atualizações de páginas web é estimar a probabilidade de uma página que já foi coletada previamente ser modificada na Web. Esta informação pode ser usada pelo escalonador de um coletor de páginas web para determinar a ordem na qual as páginas devem ser recoletadas, permitindo ao sistema reduzir o custo total de monitoramento das páginas coletadas para mantê-las atualizadas. Nesta dissertação é apresentada uma nova abordagem que usa aprendizado de máquina para gerar funções de score que produzem listas ordenadas de páginas com relação a probabilidade deterem sido modificadas na Web quando comparado com a última versão coletada. É proposto um arcabouço flexível que usa Programação Genética para evoluir funções que estimam a probabilidade de a página ter sido modificada. É apresentado ainda uma avaliação experimental dos benefícios de usar o arcabouço proposto em relação a cinco abordagens estado-da-arte. Considerando a métrica Change Ratio, os valores produzidos pela melhor função gerada pelo arcabouço proposto mostram uma melhora de 0.52 para 0.71, em média, em relação aos baselines. |
publishDate |
2013 |
dc.date.issued.fl_str_mv |
2013-03-11 |
dc.date.accessioned.fl_str_mv |
2019-08-12T08:06:19Z |
dc.date.available.fl_str_mv |
2019-08-12T08:06:19Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/ESBF-97GJSQ |
url |
http://hdl.handle.net/1843/ESBF-97GJSQ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/ESBF-97GJSQ/1/aecio_solano_rodrigues_santos.pdf https://repositorio.ufmg.br/bitstream/1843/ESBF-97GJSQ/2/aecio_solano_rodrigues_santos.pdf.txt |
bitstream.checksum.fl_str_mv |
83633ff094e14eb442be2920f97ccbd1 d7daa643e67745dc931a4afce8523451 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589520157835264 |