Buchumschlag

Efficient Crawling for Scalable Web Data Acquisition (Extended Version)

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gauquier, Antoine, Manolescu, Ioana, Senellart, Pierre
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Neural Prioritisation for Web Crawling
von: Pezzuti, Francesca, et al.
Veröffentlicht: (2025)

Modular Multimodal Machine Learning for Extraction of Theorems and Proofs in Long Scientific Documents (Extended Version)
von: Mishra, Shrey, et al.
Veröffentlicht: (2023)

Movie Recommendation using Web Crawling
von: Raj, Pronit, et al.
Veröffentlicht: (2024)

Document Quality Scoring for Web Crawling
von: Pezzuti, Francesca, et al.
Veröffentlicht: (2025)

Web Page Classification using LLMs for Crawling Support
von: Sasazawa, Yuichi, et al.
Veröffentlicht: (2025)

Tree-based Focused Web Crawling with Reinforcement Learning
von: Kontogiannis, Andreas, et al.
Veröffentlicht: (2021)

A Scalable Crawling Algorithm Utilizing Noisy Change-Indicating Signals
von: Busa-Fekete, Róbert, et al.
Veröffentlicht: (2025)

Cybersecurity Data Extraction from Common Crawl
von: Mahara, Ashim
Veröffentlicht: (2025)

The Synergy of Automated Pipelines with Prompt Engineering and Generative AI in Web Crawling
von: Huang, Chau-Jian
Veröffentlicht: (2024)

Crawler for Image Acquisition from World Wide Web
von: Rajkumar, R, et al.
Veröffentlicht: (2019)

On the Costs and Benefits of Learned Indexing for Dynamic High-Dimensional Data: Extended Version
von: Slanináková, Terézia, et al.
Veröffentlicht: (2025)

Estimating Absolute Web Crawl Coverage From Longitudinal Set Intersections
von: Paris, Michael, et al.
Veröffentlicht: (2026)

Colour Contrast on the Web: A WCAG 2.1 Level AA Compliance Audit of Common Crawl's Top 500 Domains
von: Vaughan, Thom, et al.
Veröffentlicht: (2026)

Knowledge Graph RAG: Agentic Crawling and Graph Construction in Enterprise Documents
von: Chakraborty, Koushik, et al.
Veröffentlicht: (2026)

Extending ChatGPT with a Browserless System for Web Product Price Extraction
von: Lloret-Gazo, Jorge
Veröffentlicht: (2025)

WebANNS: Fast and Efficient Approximate Nearest Neighbor Search in Web Browsers
von: Liu, Mugeng, et al.
Veröffentlicht: (2025)

A Flexible and Scalable Approach for Collecting Wildlife Advertisements on the Web
von: Barbosa, Juliana, et al.
Veröffentlicht: (2024)

Scalable Time-Tagged Data Acquisition for Entanglement Distribution in Quantum Networks
von: Amlou, Abderrahim, et al.
Veröffentlicht: (2025)

Eat your own KR: a KR-based approach to index Semantic Web Endpoints and Knowledge Graphs
von: Maillot, Pierre, et al.
Veröffentlicht: (2025)

Towards Scalable Topic Detection on Web via Simulating Levy Walks Nature of Topics in Similarity Space
von: Pang, Junbiao, et al.
Veröffentlicht: (2024)

Exploiting Distribution Constraints for Scalable and Efficient Image Retrieval
von: Omama, Mohammad, et al.
Veröffentlicht: (2024)

Aggregate and Broadcast: Scalable and Efficient Feature Interaction for Recommender Systems
von: Li, Kaiyuan, et al.
Veröffentlicht: (2025)

Pre-trained Graphformer-based Ranking at Web-scale Search (Extended Abstract)
von: Li, Yuchen, et al.
Veröffentlicht: (2024)

Development of an Automated Web Application for Efficient Web Scraping: Design and Implementation
von: Dutta, Alok, et al.
Veröffentlicht: (2025)

Generative Pre-trained Ranking Model with Over-parameterization at Web-Scale (Extended Abstract)
von: Li, Yuchen, et al.
Veröffentlicht: (2024)

LongEval at CLEF 2025: Longitudinal Evaluation of IR Systems on Web and Scientific Data
von: Cancellieri, Matteo, et al.
Veröffentlicht: (2025)

Design and Implementation of a Scalable Clinical Data Warehouse for Resource-Constrained Healthcare Systems
von: Soumma, Shovito Barua, et al.
Veröffentlicht: (2025)

Food Data in the Semantic Web: A Review of Nutritional Resources, Knowledge Graphs, and Emerging Applications
von: Sasanski, Darko, et al.
Veröffentlicht: (2025)

Context is Gold to find the Gold Passage: Evaluating and Training Contextual Document Embeddings
von: Conti, Max, et al.
Veröffentlicht: (2025)

WebRec: Enhancing LLM-based Recommendations with Attention-guided RAG from Web
von: Zhao, Zihuai, et al.
Veröffentlicht: (2025)

Health Misinformation Detection in Web Content via Web2Vec: A Structural-, Content-based, and Context-aware Approach based on Web2Vec
von: Upadhyay, Rishabh, et al.
Veröffentlicht: (2024)

DataParasite Enables Scalable and Repurposable Online Data Curation
von: Sun, Mengyi
Veröffentlicht: (2026)

An Index-based Approach for Efficient and Effective Web Content Extraction
von: Chen, Yihan, et al.
Veröffentlicht: (2025)

AutoData: A Multi-Agent System for Open Web Data Collection
von: Ma, Tianyi, et al.
Veröffentlicht: (2025)

MS MARCO Web Search: a Large-scale Information-rich Web Dataset with Millions of Real Click Labels
von: Chen, Qi, et al.
Veröffentlicht: (2024)

Markup Language Modeling for Web Document Understanding
von: Liu, Su, et al.
Veröffentlicht: (2025)

The Essence of the Essence from the Web:The Metasearch Engine
von: Nath, Rajender, et al.
Veröffentlicht: (2024)

Efficient Indexing of Meta-Data (Extracted from Educational Videos)
von: Kumbham, Shalika, et al.
Veröffentlicht: (2023)

Separate but Equal? A Comparison of Content on Library Web Pages and Their Text Versions
von: Hazard, Brenda L.
Veröffentlicht: (2008)

LLM-Driven Usefulness Judgment for Web Search Evaluation
von: Dewan, Mouly, et al.
Veröffentlicht: (2025)