Web database crawling is a promising solution for Deep Web data integration. To the best of our knowledge, the existing approaches only focused on how to crawl all records in a web database. Due to the high dynamic of most web databases, it is not practical to harvest a small proportion of new records by crawling the whole database. This paper studies the problem of incremental web database crawling, which targets at crawling the new records from a web database efficiently. In the proposed approach, a new graph model, query related graph, is proposed to transform a incremental crawling task into a graph traversal process. Based on this graph model, appropriate queries are generated for crawling which are guided by the samples of the web database. Extensive experimental evaluations over real Web databases validate the effectiveness of our techniques and provide insights for future efforts in this direction.
تغييرات آرام در پايگاه اطلاعاتي وب يك راه حل موثر براي تركيب اطلاعات عميق در وب مي باشد . تا جائيكه به اطلاعات ما مربوط مي شود ، روشهاي موجود فقط متمركز بر چگونگي تغييرات آرام تمام گزارشات در يك پايگاه اطلاعات وب مي باشد . با توجه به ديناميك زياد در پايگاه اطلاعاتي وب ، برداشت حجم كم گزارشات جديد با ايجاد تغييرات آرام در پايگاه اطلاعاتي علمي نمي باشد . اين تحقيق مسئله تغييرات آرام در پايگاه اطلاعاتي وب را بررسي مي كند كه هدف آن بررسي موثر تغييرات آرام در گزارشات جديد يك پايگاه اطلاعاتي وب مي باشد . در روش مطرح شده ، يك مدل نموداري جديد كه يك نمودار جستجواست براي انتقال وظيفه افزايش تغييرات در يك فرايند وارونه شده است . براساس اين نمودار ، جستجوهاي مناسب براي تغييرات ايجاد مي شود كه با نمونه هاي گرفته شده از پايگاه اطلاعات وب هدايت مي شوند . ارزيابي هاي تجربي گسترده از پايگاه اطلاعات وب ، كارايي تكنيك هاي مورد استفاده ما را تاييد كرده و اطلاعاتي را در مورد تلاشهاي آينده در اين جهت فراهم مي آورد .
