Resumen

La clasificación de páginas web es fundamental para la recuperación de información. La mayoría de los métodos de clasificación de páginas web tienen los siguientes dos defectos: (1) necesitan analizar en función de la página web en su totalidad y (2) no prestan suficiente atención a la existencia de información ruidosa dentro de la página web, lo que disminuirá la eficiencia y el rendimiento de la clasificación, especialmente al clasificar la página web contaminada. Para resolver estos problemas, este artículo propone un algoritmo de eliminación de ruido. Elegimos el método de arriba hacia abajo para la clasificación jerárquica con el fin de mejorar la eficiencia de predicción. Los resultados experimentales demuestran que nuestro método es aproximadamente 7 veces más rápido que el método de página completa y logra buenos resultados de clasificación en la mayoría de las categorías. La precisión de las 7 categorías principales es superior al 88% y es un 24% más alta que el otro método basado en etiquetas meta en promedio.

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Clasificación de páginas web; Recuperación de información; Fallos; Información de ruido; Algoritmo de eliminación de ruido; Clasificación jerárquica
• Keywords:Web page classification; Information retrieval; Faults; Noise information; Denoising disposal algorithm; Hierarchical classification