从网页图谱中一键提取高质量安全数据集

Cybersecurity Data Extraction from Common Crawl

• 基于社区发现技术，从网络图谱直接挖掘优质域名
• 仅用20个可信种子域名，一次采集即得数据集
• 适合网络安全研究者快速获取真实互联网数据

Alpha-Root 是一个专注于网络安全的数据集，通过社区检测技术在单次采集中从 Common Crawl 网络图谱中获得。与 DeepSeekMath 等迭代内容评分方法不同，该方法不依赖逐项评分，而是直接从网络图谱中挖掘高质量域名，起始仅需20个可信种子域名，高效构建安全相关数据集。

原文摘要 · Abstract (English)

Alpha-Root is a cybersecurity-focused dataset collected in a single shot from the Common Crawl web graph using community detection. Unlike iterative content-scoring approaches like DeepSeekMath, we mine quality domains directly from the web graph, starting from just 20 trusted seed domains.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。