[논문 리뷰] Motivation for hyperlink creation using inter-page relationships

Patrick Kenekayoro, Kevan Buckley외 1명|arXiv (Cornell University)|2013. 10. 24.

Web visibility and informetrics참고 문헌 35인용 수 4

한 줄 요약

이 논문은 UK 대학 웹사이트의 하이퍼링크 동기를 분석하는 상호 페이지 관계를 기반으로 결정 트리 유도를 사용하는 기계학습 접근법을 제안한다. 링크 패턴을 바탕으로 웹페이지를 여덟 가지 유형으로 분류함으로써, 수작업 검토 없이도 스케일러블하고 정확한 하이퍼링크 목적 추론이 가능해지며, 이는 대규모 웹오메트릭 연구의 효율성을 크게 향상시킨다.

ABSTRACT

Using raw hyperlink counts for webometrics research has been shown to be unreliable and researchers have looked for alternatives. One alternative is classifying hyperlinks in a website based on the motivation behind the hyperlink creation. The method used for this type of classification involves manually visiting a webpage and then classifying individual links on the webpage. This is time consuming, making it infeasible for large scale studies. This paper speeds up the classification of hyperlinks in UK academic websites by using a machine learning technique, decision tree induction, to group web pages found in UK academic websites into one of eight categories and then infer the motivation for the creation of a hyperlink in a webpage based on the linking pattern of the category the webpage belongs to.

연구 동기 및 목표

• 원시 하이퍼링크 수량이 맥락적 신뢰성이 부족하므로 웹오메트릭에서의 한계를 해결한다.
• 수작업 하이퍼링크 분류가 시간이 오래 걸리고 대규모 연구에는 비현실적이므로 이를 해결한다.
• 웹페이지 내의 구조적 패턴을 기반으로 하이퍼링크 생성 동기를 자동으로 추론하는 방법을 개발한다.
• 기계학습을 활용하여 UK 대학 웹사이트 전반에 걸쳐 하이퍼링크 생성 동기를 스케일러블하게 분석할 수 있도록 한다.
• 하이퍼링크 목적을 페이지 유형과 링크 행동에 연결함으로써 웹오메트릭 연구의 정확성과 효율성을 향상시킨다.

제안 방법

• UK 대학 웹사이트의 웹페이지를 상호 페이지 링크 패턴을 기반으로 여덟 가지 카테고리 중 하나로 분류하기 위해 결정 트리 유도를 사용한다.
• 출구 링크의 수와 유형과 같은 웹페이지의 링크 구조에서 특징을 추출하여 분류에 활용한다.
• 수작업으로 분류된 하이퍼링크 동기를 기반으로 레이블이 부여된 데이터로 결정 트리 모델을 훈련시킨다.
• 결정 트리에 의해 할당된 카테고리에 기반하여 특정 웹페이지에서 하이퍼링크 생성의 동기를 추론한다.
• 동일한 카테고리에 속한 웹페이지는 유사한 하이퍼링크 생성 행동을 보인다는 가정을 활용한다.
• 훈련된 모델을 새로운 웹페이지에 적용하여 대규모로 하이퍼링크 동기를 자동으로 예측한다.

실험 결과

연구 질문

• RQ1 상호 페이지 링크 패턴을 사용하여 대학 웹사이트의 하이퍼링크 동기를 신뢰성 있게 추론할 수 있는가?
• RQ2 결정 트리 유도가 하이퍼링크 목적을 반영하는 카테고리로 웹페이지를 얼마나 정확하게 분류할 수 있는가?
• RQ3 정확성과 확장성 측면에서 자동 하이퍼링크 동기 분류의 성능이 수작업 분류와 비교해 어떻게 되는가?
• RQ4 UK 대학 기관의 다양한 유형의 웹페이지에서 지배적인 하이퍼링크 동기 패턴은 무엇인가?
• RQ5 웹페이지의 구조적 특징을 기반으로 훈련된 기계학습 모델이 하이퍼링크 생성의 의도를 효과적으로 예측할 수 있는가?

주요 결과

• 결정 트리 모델은 링크 행동에 기반해 웹페이지를 카테고리로 분류하는 데 높은 정확도를 달성했다.
• 페이지 카테고리에서 하이퍼링크 동기를 성공적으로 추론하여 수작업 검토의 필요성을 줄였다.
• 이 방법을 통해 이전에는 수작업 방식으로는 비현실적이었던 UK 대학 웹사이트 전반에 걸친 하이퍼링크 동기 대규모 분석이 가능해졌다.
• 유사한 카테고리에 속한 웹페이지들은 일관된 하이퍼링크 생성 패턴을 보였으며, 이는 카테고리 기반 추론의 타당성을 뒷받침한다.
• 이 방법은 신뢰성 유지와 함께 하이퍼링크 분류에 소요되는 시간과 노력을 크게 감소시켰다.
• 연구는 상호 페이지 관계가 대학 웹 환경에서 하이퍼링크 동기를 강력한 예측 변수로 제공한다는 것을 입증했다.