Finding pages on the unarchived Web

Hugo C. Huurdeman, Anat Ben-David, Jaap Kamps, Thaer Samar, Arjen P. De Vries

פרסום מחקרי: פרק בספר / בדוח / בכנספרסום בספר כנסביקורת עמיתים

תקציר

Web archives preserve the fast changing Web, yet are highly incomplete due to crawling restrictions, crawling depth and frequency, or restrictive selection policies - most of the Web is unarchived and therefore lost to posterity. In this paper, we propose an approach to recover significant parts of the unarchived Web, by reconstructing descriptions of these pages based on links and anchors in the set of crawled pages, and experiment with this approach on the DutchWeb archive. Our main findings are threefold. First, the crawled Web contains evidence of a remarkable number of unarchived pages and websites, potentially dramatically increasing the coverage of theWeb archive. Second, the link and anchor descriptions have a highly skewed distribution: popular pages such as home pages have more terms, but the richness tapers off quickly. Third, the succinct representation is generally rich enough to uniquely identify pages on the unarchived Web: in a known-item search setting we can retrieve these pages within the first ranks on average.

שפה מקוריתאנגלית
כותר פרסום המארח2014 IEEE/ACM Joint Conference on Digital Libraries, JCDL 2014
מוציא לאורInstitute of Electrical and Electronics Engineers Inc.
עמודים331-340
מספר עמודים10
מסת"ב (אלקטרוני)9781479955695
מזהי עצם דיגיטלי (DOIs)
סטטוס פרסוםפורסם - 1 דצמ׳ 2014
פורסם באופן חיצוניכן
אירוע2014 14th IEEE/ACM Joint Conference on Digital Libraries, JCDL 2014 - London, בריטניה
משך הזמן: 8 ספט׳ 201412 ספט׳ 2014

סדרות פרסומים

שםProceedings of the ACM/IEEE Joint Conference on Digital Libraries
ISSN (מודפס)1552-5996

כנס

כנס2014 14th IEEE/ACM Joint Conference on Digital Libraries, JCDL 2014
מדינה/אזורבריטניה
עירLondon
תקופה8/09/1412/09/14

הערה ביבליוגרפית

Publisher Copyright:
© 2014 IEEE.

טביעת אצבע

להלן מוצגים תחומי המחקר של הפרסום 'Finding pages on the unarchived Web'. יחד הם יוצרים טביעת אצבע ייחודית.

פורמט ציטוט ביבליוגרפי