Roxana - Gabriela HORINCAR Refresh Strategies and Online ... - LIP6

Résumé
Avec l’expansion importante d’appareils connectés à l’Internet et l’essor du Web 2.0, le contenu web
se diversifie et devient de plus en plus dynamique. Afin de faciliter la diffusion de flux d’informations
évolutives et souvent temporaires (news, messages, annonces), des nombreuses applications web
publient les items d’informations les plus récentes dans des documents RSS ou Atom qui sont ensuite
collectés et transformés par des agrégateurs RSS comme Google Reader ou Yahoo! News. Nos
recherches se placent dans le contexte d’agrégation de documents RSS dynamiques et se focalisent
sur l’optimisation du rafraîchissement et de l’estimation en ligne du changement de contenu RSS
hautement dynamique. Nous introduisons et formalisons deux mesures qualitatives spécifiques à
l’agrégation de flux RSS qui reflètent la complétude et la fraîcheur moyenne du flux d’information
agrégé. Nous proposons une stratégie de rafraîchissement du ”meilleur effort” qui maximise la
qualité de l’agrégation par rapport aux autres approches existantes avec un nombre moyen de
rafraîchissements identique. Nous présentons une analyse des caractéristiques générales de l’activité
de publication des flux RSS réels en se focalisant surtout sur la dimension temporelle. Nous étudions
différents modèles et méthodes d’estimation de changements d’activité et leur intégration dans les
stratégies de rafraîchissement. Les méthodes présentées ont été implémentés et testés sur des
données synthétiques et des flux RSS réels.
Mots clés : flux RSS, stratégie de rafraîchissement, estimation de changements en-ligne, agrégateur
RSS, web dynamique, qualité de données
Abstract
With the rapidly increasing number of sources and devices connected to the Internet and the
growing success of the Web 2.0 services, the online available web content is getting more and more
diverse and dynamic. In order to facilitate the efficient dissemination of the evolutive and often
temporary information streams (news, messages, announcements), many web applications publish
their most recent information items as RSS and Atom documents which are then collected and
transformed by RSS aggregators like Google Reader or Yahoo! News. Our research is placed in
the context of content-based feed aggregation systems and is focused on the design of optimal
refresh strategies for highly dynamic RSS feed sources. First, we introduce two quality measures
specific to aggregation feeds which reflect the information completeness and average freshness of
the result feeds. We propose a best-effort feed refresh strategy that achieves maximum aggregation
quality compared with all other existing policies with the same average number of refreshes. We
analyse the characteristics of a representative collection of real-world RSS feeds focusing on their
temporal dimension. We study different online change estimation models and techniques and their
integration with our refresh strategy. The presented methods have been implemented and tested
against synthetic and real-world RSS feed data sets.
Keywords: RSS feed, refresh strategy, online change estimation, content-based feed aggregation,
dynamic web content, data quality