文献

J-GLOBAL ID：201302277889768823   整理番号：13A0887673

ウェブクローラ向けの効率的な重複URL検出手法

著者 (5件)： 久保田展行 (Preferred Infrastructure) ,  上田高徳 (早稲田大 大学院基幹理工学研究科) ,  上田高徳 (早稲田大 メディアネットワークセ) ,  山名早人 (早稲田大 理工学術院) ,  山名早人 (国立情報学研)
資料名： 日本データベース学会論文誌  (Journal of the DBSJ)
巻： 8  号： 1  ページ： 83-88  発行年： 2009年06月26日 
JST資料番号： L5754A  ISSN： 1883-1060  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 集合の包含判定を行うSBF(Stable Bloom Filter)において,要素挿入時の乱数生成をなくすことで高速化を図ったSBFL(SBF Light)を用いて重複URLを検出する方式を提案する。入力URLに対して,LRUキャッシュ,SBFLの順で,これまでスクロールしたURLと重複するかどうか判定し,重複と判定されたURLに対してはスクロールを行わない。提案方式を評価した結果,SBFLの方がSBFよりも高速で,Faulse Positive(FP)の発生数も減ることが確かめられた。また,LRUキャッシュと組み合わせた場合,FPを1%許容するとキャッシュメモリの容量を63%削減できることも確かめられた。

シソーラス用語： Web【情報システム】 ,  *番地指定方式 ,  *情報検索 ,  キャッシュメモリ
準シソーラス用語： *URL【インターネット】

分類 (2件)： 検索技術  (AC06020S) ,  計算機網  (JC03000K)

引用文献 (10件)：

• [1] Ahmed Metwally, Divyakant Agrawal and Amr El Abbadi: "Duplicate Detection in Click Streams", Proc. of WWW2005, pp.12-21 (2005).
• [2] Andrei Z. Broder, Marc Najork and Janet L. Wiener: "Efficient URL Caching for World Wide Web Crawling", Proc. of WWW2003, pp.679-689 (2003).
• [3] Burton H. Bloom: "Space/Time Trade-offs in Hash Coding with Allowable Errors", CACM, Volume 13, pp.422-426 (1970).
• [4]"efSocietyフ。ロジェクト",http:〃www.yama.info.waseda.ac.jp/e-society/.
• [5] Fan Deng and Davood Rafiei: "Approximately Detecting Duplicates for Streaming Data Using Stable Bloom Filters", Proc. of ACM SIGMOD, pp.25-36 (2006).

タイトルに関連する用語 (2件)： URL ,  手法