Review of modelling approaches for website-related predictions

• Autorzy: Mauer Patryk

Identyfikatory

DOI

10.35784/iapgos.5572

Warianty tytułu

PL

Przegląd podejść do modelowania przewidywań związanych z witrynami internetowymi

• Języki publikacji: EN

Abstrakty

EN

This paper researches various modelling approaches for website-related predictions, offering an overview of the field. With the ever-expanding landscape of the World Wide Web, there is an increasing need for automated methods to categorize websites. This study examines an array of prediction tasks, including website categorization, web navigation prediction, malicious website detection, fake news website detection, phishing website detection, and evaluation of website aesthetics.

PL

Ten artykuł naukowy przeprowadza analizę różnorodnych metod modelowania stosowanych do prognozowania aspektów witryn internetowych, zapewniając przegląd tej dynamicznie rozwijającej się dziedziny. Podczas gdy Internet nieustannie się powiększa, nabiera wagi potrzeba stosowania automatycznych metod do klasyfikacji nowo powstających stron internetowych. Zbadano metody zastosowane w szerokim zakresie przewidywań, obejmujących kategoryzację witryn internetowych, prognozowanie zachowań nawigacyjnych użytkowników online, identyfikację stron o złośliwym charakterze, wykrywanie fałszywych informacji, rozpoznawanie prób phishingu oraz ocenę estetycznych aspektów witryn internetowych.

Słowa kluczowe

EN

machine learning; websites; prediction methods; classification algorithms

PL

uczenie maszynowe; witryny internetowe; metody przewidywania; algorytm klasyfikacji

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 1
• Strony: 63--66
• Opis fizyczny: Bibliogr. 11 poz., tab.

Twórcy

autor

Mauer Patryk

• Opole University of Technology, Opole, Poland

• https://orcid.org/0000-0003-4173-0424

Bibliografia

• [1] Bozarth L., Budak C.: Lay it Out: Detecting Fake News Publishers through Website Structure Data, 2019 [http://doi.org/10.2139/ssrn.3419781].
• [2] Cohen D. et al.: Website categorization via design attribute learning. Computers & Security 107, 2021, 102312 [http://doi.org/10.1016/j.cose.2021.102312].
• [3] Delitzas A., Chatzidimitriou K. C., Symeonidis A. L.: Calista: A deep learningbased system for understanding and evaluating website aesthetics. International Journal of Human-Computer Studies 175, 2023, 103019.
• [4] How many websites are there in the world? – A Daily Calculator [https://www.statsfind.com/how-many-websites-are-there-in-the-world-a-dailycalculator/] (available: 13.02.2024).
• [5] Jindal H., Sardana N.: Web navigation prediction based on dynamic threshold heuristics. Journal of King Saud University–Computer and Information Sciences 34(6), 2022, Part A, 2820–2830 [http://doi.org/10.1016/j.jksuci.2020.03.004].
• [6] Korkmaz M. et al.: Deep neural network based phishing classification on a high-risk URL dataset. International Conference on Soft Computing and Pattern Recognition. Springer International Publishing, Cham, 2020.
• [7] Matošević G., Dobša J., Mladenić D.: Using Machine Learning for Web Page Classification in Search Engine Optimization. Future Internet. 13(9), 2021.
• [8] Nandanwar A., Choudhary J.: Web Page Categorization based on Images as Multimedia Visual Feature using Deep Convolution Neural Network, 2020, 619–625.
• [9] Opara C., Chen Y., Wei B.: Look before you leap: Detecting phishing web pages by exploiting raw URL and HTML characteristics. Expert Systems with Applications 236, 2024, 21183 [http://doi.org/10.1016/j.eswa.2023.121183].
• [10] Sakar C. O. et al.: Real-time prediction of online shoppers’ purchasing intention using multilayer perceptron and LSTM recurrent neural networks. Neural Comput & Applic 31, 2019, 6893–6908.
• [11] Shaffi S. S., Muthulakshmi I.: Search Engine Optimization by using Machine Learning for Web Page Classification. International Conference on Augmented Intelligence and Sustainable Systems – ICAISS, 2022, 342–349