第七章Web挖掘技术内容提要ppt课件

1、第七章第七章 Web Web发掘技术发掘技术 内容提要内容提要nWeb发掘的意义nWeb发掘的分类nWeb发掘的含义nWeb发掘的数据来源 nWeb内容发掘方法 nWeb访问信息发掘方法 nWeb构造发掘方法 Web发掘的价值n从大量的信息中发现用户感兴趣的信息从大量的信息中发现用户感兴趣的信息 ：因特网上蕴藏着：因特网上蕴藏着大量的信息，经过简单的阅读或关键词匹配的搜索引擎得大量的信息，经过简单的阅读或关键词匹配的搜索引擎得到的是孤立而混乱的到的是孤立而混乱的“外表信息外表信息 ，WebWeb发掘可以发现潜发掘可以发现潜在的、丰富的关联信息。在的、丰富的关联信息。n将将WebWeb上的丰富信

2、息转变成有用的知识：上的丰富信息转变成有用的知识：WebWeb发掘是面向发掘是面向WebWeb数据进展分析和知识提取的。因特网中页面内部、页数据进展分析和知识提取的。因特网中页面内部、页面间、页面链接、页面访问等都包含大量对用户可用的信面间、页面链接、页面访问等都包含大量对用户可用的信息，而这些信息的深层次含义是很难被用户直接运用的，息，而这些信息的深层次含义是很难被用户直接运用的，必需经过浓缩和提炼。必需经过浓缩和提炼。n对用户进展信息个性化：网站信息的个性化是未来的开展对用户进展信息个性化：网站信息的个性化是未来的开展趋势。经过趋势。经过WebWeb发掘，可以到达对用户访问行为、频度、发掘

3、，可以到达对用户访问行为、频度、内容等的分析，可以得到关于群体用户访问行为和方式的内容等的分析，可以得到关于群体用户访问行为和方式的普遍知识，用以改良普遍知识，用以改良WebWeb效力方的设计，提供个性化的效效力方的设计，提供个性化的效力。力。 第七章第七章 Web Web发掘技术发掘技术 内容提要内容提要nWeb发掘的意义nWeb发掘的分类nWeb发掘的含义nWeb发掘的数据来源 nWeb内容发掘方法 nWeb访问信息发掘方法 nWeb构造发掘方法 Web发掘的类型nWeb发掘依托它所发掘的信息来源可以分为：nWeb内容发掘Web Content Mining：对站点的Web页面的各类信息进

4、展集成、概化、分类等，发掘某类信息所蕴含的知识方式。 nWeb访问信息发掘Web Usage Mining：Web访问信息发掘是对用户访问Web时在效力器方留下的访问记录进展发掘。经过分析日志记录中的规律，可以识别用户的忠实度、喜好、称心度，可以发现潜在用户，加强站点的效力竞争力。nWeb构造发掘Web Structure Mining：Web构造发掘是对Web页面之间的链接构造进展发掘。在整个Web空间里，有用的知识不仅包含在Web页面的内容之中，而且也包含在页面的链接构造之中。对于给定的Web页面集合，经过构造发掘可以发现页面之间的关联信息，页面之间的包含、援用或者从属关系等。第七章第七章

5、 Web Web发掘技术发掘技术 内容提要内容提要nWeb发掘的意义nWeb发掘的分类nWeb发掘的含义nWeb发掘的数据来源 nWeb内容发掘方法 nWeb访问信息发掘方法 nWeb构造发掘方法 Web发掘的含义nWeB发掘是一个看广泛的概念，可以简单地描画为：n针对包括Web页面内容、页面之间的构造、用户访问信息、电子商务信息等在内的各种Web数据，运用数据发掘方法以协助人们从因特网中提取知识，为访问者、站点运营者以及包括电子商务在内的基于因特网的商务活动提供决策支持。 Web发掘与信息检索n两种截然不同的观念：nWeb上的信息检索是Web发掘的一个方面：Web发掘旨在处理信息检索、知识抽

6、取以及更广泛的商业问题，是Web上IR技术的延伸。这种观念大多来自于数据发掘研讨领域。nWeb发掘是智能化的信息检索：对于IR领域的研讨人员来说， Web发掘是IR研讨向着智能化的方向开展的结果。n信息检索能够经常被说成是Web发掘的初级阶段，是为了强调Web发掘不是简单的信息索引或关键词匹配技术，而是实现信息浓缩成知识的过程，它可以支持更高级的商业决策和分析。 WebWeb发掘与信息抽取发掘与信息抽取nWeb上的IE的研讨目的是希望从众多的Web文挡中抽取可供分析的信息，与Web发掘的关系也有不同的观念：nIE是Web发掘整个过程的一部分：这是由于Web上的数据普通是半构造化或无构造的，因此

7、需求进展规格化的信息抽取这样的预处置。nWeb发掘是IE的一个特殊技术：既然IE是希望把Web蕴藏的信息抽取出来，那么Web发掘或者文本发掘只不过是到达这个目的的特殊技术手段。n信息抽取经常被说成是Web发掘的一个预处置阶段，那是由于在数据发掘领域，Web发掘的更广义的了解应该是一个知识提取的完好过程。 第七章第七章 Web Web发掘技术发掘技术 内容提要内容提要nWeb发掘的意义nWeb发掘的分类nWeb发掘的含义nWeb发掘的数据来源 nWeb内容发掘方法 nWeb访问信息发掘方法 nWeb构造发掘方法 Web发掘的主要数据源nWeb发掘的数据来源是广泛的：凡是在Web站点中对用户有价值

8、的数据都可以成为它发掘的数据源。n由于这些对象的数据方式及含义的差别，其发掘技术会不同。一些比较有代表性的数据源有：n效力器日志数据：Web访问信息发掘的主要数据源。效力器日志数据n对Web效力器的访问，效力器方将会产生3种类型的日志文件：nServer logs：记录用户的访问时间、IP地址以及恳求等信息。nError logs：存取恳求失败的数据，例如丧失衔接、授权失败或超时等 nookie logs：Cookie是由web效力器产生的记号并由客户端持有，用于识别用户和用户的会话。 FieldDescriptionDateDate， time， and timezone of reques

9、tClient IPRemote host IP and / or DNS entryUser nameRemote log name of the userBytesBytes transferred (sent and received)ServerServer name， IP address and portRequestURI query and stemStatus status code returned to the clientService name Requested service nameTime takenTime taken for transaction to

10、completeProtocol versionVersion of used transfer protocolUser agentService providerCookieCookie IDReferrerPrevious pageServer logs的一个格式表示在线市场数据在线市场数据n在线市场数据是指和市场活动相关的信息。例如一个电子商务站点，存储相关的电子商务信息。n从内容上说，不同目的商务网站有不同的商务信息。但是，这类数据通常是用传统的关系数据库构造来存储数据。n在线市场数据是业务数据，是进展业务相关分析的主体。用户的发掘目的只需结合在线市场数据分析才干到达目的。WebWe

11、b页面页面nWeb页面是网站信息的主体，但是它们的主要信息不能够像关系型数据库那样规整，因此Web页面的内容组织方式的分析是研讨Web发掘的详细方法的根底。n目前的Web页面大多满足HTML规范，现有的Web发掘方法大多是针对Web页面开展的。n2 0 1 9 年 W W W 社 团 提 出 了 X M L 言 语 规 范eXtensible Markup Language。该规范经过把一些描画页面内容的标志tag添加到HTML页面中，用于对HTML页面内容进展自描画。基于XML规范的发掘研讨也是一个重要的研讨分支。第七章第七章 Web Web发掘技术发掘技术 内容提要内容提要nWeb发掘的意

12、义nWeb发掘的分类nWeb发掘的含义nWeb发掘的数据来源 nWeb内容发掘方法 nWeb访问信息发掘方法 nWeb构造发掘方法 Web内容发掘的主要方法n一种Web内容发掘的分类方法是分为代理人方法和数据库方法。n代理人方法运用软件系统代理来完成内容发掘。例如，n智能检索代理超越了简单的检索机制运用经过关键词之外的技术来完成检索，可以利用用户模版或其关怀的知识领域等来实现信息的抽取。n信息过滤利用信息检索技术、衔接构造的知识和其他方法来分析和分类文档。n个性化Web代理运用有关用户的喜好的信息来指点它们的检索。n数据库方法将一切的Web数据描画为一个数据库系统。意味着Web是一个多级的异构

13、的数据库系统，可以经过多种查询言语来获得Web的信息来完成信息的抽取。文本发掘是Web内容发掘的根底n文本发掘TD的方式和目的是多种多样的，根本层次有：n关键词检索：最简单的方式，它和传统的搜索技术类似。n发掘工程关联：聚焦在页面的信息包括关键词之间的关联信息发掘上。n信息分类和聚类：利用数据发掘的分类和聚类技术实现页面的分类，将页面在一个更到层次上进展笼统和整理。n自然言语处置：提示自然言语处置技术中的语义，实现Web内容的更准确处置。 n Clusteringion Classification Term association Keyword Natural language proce

14、ssing图7-1文本发掘体系表示搜索引擎与Web内容发掘n传统的搜索引擎Searching Engine效率低下。由于是基于Web中超文本构造分解的：它从一个网页开场的，经过查阅和记录这个网页的一切衔接并把它们陈列起来，然后再从找到的新页面继续开场反复任务。n利用数据发掘技术来改良搜索引擎是有价值的。这种价值表达在许多方面。例如，n经过对搜索结果进展关联分析或聚类等，对结果进展清洗和浓缩。n面向主题进展搜索，即只检索与某一主题有关的页面。n聚焦用户感兴趣的页面，在有限的资源下使有效内容发掘力度提高。n基于搜索引擎的发掘任务有下面一些重要方面：n利用超文本链接构造进展页面内容分类，使搜索引擎检

15、索的页面符合用户的兴趣。n有些页面包含很多链接，而这些链接的页面是用户感兴趣的，因此它们需求被检索。n采用合理而高效的方法对被选择的页面进展内容分析和发掘。虚拟的虚拟的WebWeb视图视图n一个有效的处理在Web中大量无构造数据的方法是在这些数据之上建立一个MLDBMultiple Layered Database。这个数据库是多层次的， 每层索引都比它下一层要小。对于最底层来说，需求了解Web文档构造，而最高层那么有着完善的构造并可以经过类似SQL的查询言语进展访问或发掘。nMLDB提供一个被称为VMVVirtual Web View的视图机制，Web中的感兴趣的构造被浓缩在这个视图中。n等

16、级概念近意词组、词汇和语义联络等将协助归纳过程来架构更高层的MLDB。 个性化与个性化与WebWeb内容发掘内容发掘n经过个性化，网页的内容和组织将更加适宜用户的需求。个性化效力是Web发掘技术的重要目的之一。n经过个性化，基于用户所关怀内容的广告会被发送到潜在的用户。当一个特别的用户访问一个站点时，会有一个特别为它定制的广告出现，这对那些能够购买的用户来说是一个极大的诱惑。nWeb内容发掘的目的之一是基于页面内容类似度进展用户分类或聚类的，个性化的建立是经过用户过去的检索内容分析而建立起来的。自动的个性化技术可以经过过去的需求和类似用户的需求来预知特定用户未来的需求。WebWeb页面内文本信

17、息发掘页面内文本信息发掘n发掘的目的是对页面进展摘要和分类。n页面摘要：对每一个页面运用传统的文本摘要方法可以得到相应的摘要信息。n页面分类：分类器输入的是一个Web页面集训练集，再根据页面文本信息内容进展监视学习，然后就可以把学成的分类器用于分类每一个新输入的页面。n在文本学习中常用的方法是TFIDF向量表示法，它是一种文档的词集Bag-of-Words表示法，一切的词从文档中抽取出来，而不思索词间的次序和文本的构造。这种构造二维表的方法是：n每一列为一个词，列集特征集为辞典中的一切有区分价值的词，所以整个列集能够有几十万列之多。n每一行存储一个页面内词的信息，这时，该页面中的一切词对应到列

18、集特征集上。列集中的每一个列词，假设在该页面中不出现，那么其值为0；假设出现k次，那么其值就为k；页面中的词假设不出如今列集上，可以被放弃。这种方法可以表征出页面中词的频度。n对中文页面来说，还需先分词然后再进展以上两步处置。n这样构造的二维表表示的是Web页面集合的词的统计信息，最终就可以采用Naive Bayesian方法或k-Nearest Neighbor等方法进展分类发掘。n在发掘之前，普通要先进展特征子集的选取，以降低维数。WebWeb页面内多媒体信息发掘页面内多媒体信息发掘n多媒体发掘是一个大研讨分支，总的发掘过程是先要运用多媒体信息特征提取工具，构成特征2维表，然后就可以采用传

19、统的数据发掘方法进展发掘。n在特征提取阶段，利用多媒体信息提取工具进展特征提取。普通地，信息提取工具可以抽取出image和video的文件名、URL、父URL、类型、键值表、颜色向量等。对这些特征可以进展如下发掘操作：n关联规那么发现：例如，假设图像是“大的而且与关键词“天空有关，那么它是蓝色的概率为68%。n分类：根据提供的某种类标，针对特征集，利用决策树可以进展分类。第七章第七章 Web Web发掘技术发掘技术 内容提要内容提要nWeb发掘的意义nWeb发掘的分类nWeb发掘的含义nWeb发掘的数据来源 nWeb内容发掘方法 nWeb访问信息发掘方法 nWeb构造发掘方法 Web访问信息发

20、掘的特点nWebWeb访问数据容量大、分布广、内涵丰富和形状多样访问数据容量大、分布广、内涵丰富和形状多样n一个中等大小的网站每天可以记载几兆的用户访问信息。一个中等大小的网站每天可以记载几兆的用户访问信息。n广泛分布于世界各处。广泛分布于世界各处。n访问信息形状多样。访问信息形状多样。n访问信息具有丰富的内涵。访问信息具有丰富的内涵。nWebWeb访问数据包含决策可用的信息访问数据包含决策可用的信息n每个用户的访问特点可以被用来识别该用户和网站访问的特性。每个用户的访问特点可以被用来识别该用户和网站访问的特性。n同一类用户的访问，代表同一类用户的个性。同一类用户的访问，代表同一类用户的个性。

21、n一段时期的访问数据代表了群体用户的行为和群体用户的共性。一段时期的访问数据代表了群体用户的行为和群体用户的共性。nWebWeb访问信息数据是网站的设计者和访问者进展沟通的桥梁。访问信息数据是网站的设计者和访问者进展沟通的桥梁。nWebWeb访问信息数据是开展数据发掘研讨的良好的对象。访问信息数据是开展数据发掘研讨的良好的对象。nWebWeb访问信息发掘对象的特点访问信息发掘对象的特点n访问事务的元素是访问事务的元素是WebWeb页面，事务元素之间存在着丰富的构造信息。页面，事务元素之间存在着丰富的构造信息。n访问事务的元素代表的是每个访问者的顺序关系，事务元素之间存在访问事务的元素代表的是每

22、个访问者的顺序关系，事务元素之间存在着丰富的顺序信息。着丰富的顺序信息。n每个页面的内容可以被笼统出不同的概念，访问顺序和访问量部分决每个页面的内容可以被笼统出不同的概念，访问顺序和访问量部分决议概念。议概念。n用户对页面存在不同的访问时长，访问长代表了用户的访问兴趣。用户对页面存在不同的访问时长，访问长代表了用户的访问兴趣。 Web访问信息发掘的意义n经过分析日志文件，可以发现用户访问页面的特征、页面被用户访问的规律、用户频繁访问的页组等，以便其合理、有效地优化站点的构造，最终为用户提供一个方便快捷信息获取环境。有三方面的应器具有代表性：nWeb效力方主要根据本人的领域知识设计Web页面的构

23、造，而群体用户根据各自的访问兴趣访问这些页面，那么效力方的构造设计能否合理？怎样的设计以便利于群体用户的访问，更加吸引访问者？这些问题的处理是Web访问信息发掘的主要目的。n群体用户的访问存在哪些特点？假设掌握了这些特点，那么就可以利用其开展进一步的商务活动。n对于每一个新的Web站点的访问者，都会在曾经访问的群体用户中找到一些最类似的一样的访问者，那么那些访问者的访问就可以给这个新的访问者提供引荐，以便利于该访问者的进一步访问。 典型的商业价值n面向群体访问者，可以：面向群体访问者，可以：n提供高效访问：减少有用信息的检索时间，提高在大负载提供高效访问：减少有用信息的检索时间，提高在大负载下

24、的效力性能。下的效力性能。n吸引访问者。吸引访问者。n坚持访问者：假设网站具有更好的构造设计，就能留住用坚持访问者：假设网站具有更好的构造设计，就能留住用户。户。n防止访问者分开：找到分开缘由，改良网站的构造设计。防止访问者分开：找到分开缘由，改良网站的构造设计。n地域地域/ /行业行业/ /阶层的分析：根据买卖者留下的信息，可以知阶层的分析：根据买卖者留下的信息，可以知道访问者所在的地域、所属的行业或阶层。道访问者所在的地域、所属的行业或阶层。n防止访问者迷航：访问者不能找到相应的访问目的，或者防止访问者迷航：访问者不能找到相应的访问目的，或者面对复杂的页面构造不知所措，那么遇到了迷航的问题

25、。面对复杂的页面构造不知所措，那么遇到了迷航的问题。改良页面的构造设计是必要的。改良页面的构造设计是必要的。n群体引荐：针对群体用户的访问偏好，引荐他们感兴趣的群体引荐：针对群体用户的访问偏好，引荐他们感兴趣的东西。东西。n针对性效力：如在适宜途径上，就可以放置相应内容的广针对性效力：如在适宜途径上，就可以放置相应内容的广告。告。n面向群体每一个访问者，可以：面向群体每一个访问者，可以：n个性化引荐。个性化引荐。n用户建模：根据已有群体用户的访问，推断当前用户的特用户建模：根据已有群体用户的访问，推断当前用户的特征。征。n个性化推销个性化推销Direct MarketingDirect Mar

26、keting：识别出对某种产品或效：识别出对某种产品或效力的能够购买者，对其引荐相应的产品或效力。力的能够购买者，对其引荐相应的产品或效力。Web访问信息发掘的数据源n由于Web世界的分布性，用户访问行为被广泛地分布记录在Web效力器、用户客户端，和代理效力器中。在各个分布地点的不同的用户访问信息表征了不同类型的用户访问行为。发掘任务必需针对数据的特点来决议相应的发掘义务。用户访问信息的分布简单归结为：n效力器方：普通地，在一个Web效力器上，效力器日志记录了多个用户对单个站点的用户访问行为。n客户方：普通地，在客户端计算机上，客户端的代理记录了单个用户对单个站点或单个用户对多个站点的用户访问

27、行为。客户端的Cache记录了用户访问内容。客户端的BookMark也记录了单个用户对单个站点的访问偏好。n客户端代理效力器：代理效力器记录了多个用户对多个站点的访问行为，同时代理效力器内部的Cache记录了多个用户对多个站点的访问内容。效力器方访问信息n一个Web效力器日志Server log反映出多个用户对单个站点的访问行为。n一个从实践Web效力器上采集的Log文件片段: IP AddressUser IDTimeMethod/URI/ProtocolStautsSize2- -10/Dec/2019:12:34:16 -0600GET /images/lchz

28、hi.gif /1.1200448512- -10/Dec/2019:12:34:32 -0600GET /graduate.htm /1.120074032- -10/Dec/2019:12:34:32 -0600GET /images/sxwys2.jpg /1.1200184819- -10/Dec/2019:12:34:48 -0600GET /result.htm /1.0200123022- -10/Dec/2019:12:34:58 0600GET /structure.htm

29、/1.12003672- -10/Dec/2019:12:34:58 0600GET /struc-index.htm /1.120043702- -10/Dec/2019:12:34:58 0600GET /struc-content.htm /1.1200120472- -10/Dec/2019:12:34:58 0600GET /images/znkfsys.jpg /1.120022574代理效力器端访问信息n代理效力器端的访问信息包括用户访问日志和在Cache中被访问的页面信息。n一个代理效力器日志的例子基

30、于WindowsNT4.0的代理效力器: 8， HEADSWANG， Mozilla/4.0 (compatible; MSIE 4.0; Windows 95)， Y， 99-3-28， 15:57:44， W3Proxy， NTPROXY， -， ict.ac， ， 80， 200， 582， 6， ， tcp， GET， ict.ac/cjc/cjcw2.html， -， Inet， 304， 08， HEADSWANG， Mozilla/4.0 (compatible; MSIE 4.0; Windows 95)， Y

31、， 99-3-28， 15:57:44， W3Proxy， NTPROXY， -， ict.ac， ， 80， 270， 2101， 1254， ， tcp， GET， ict.ac/cjc/introc.html， -， VCache， 304， 08， HEADSWANG Mozilla/4.0 (compatible; MSIE 4.0; Windows 95)， Y， 99-3-28， 15:57:44， W3Proxy， NTPROXY， -， ict.ac， ， 80， 171， 449， 1110， ， tcp

32、， GET， ict.ac/cjc/star.gif， -， Inet， 304， 08， HEADSWANG， Mozilla/4.0 (compatible; MSIE 4.0; Windows 95)， Y， 99-3-28， 15:57:44， W3Proxy， NTPROXY， -， ict.ac， ， 80， 211， 455， 826， ， tcp， GET， ict.ac/cjc/INTROCG.JPG， -， Inet， 304， 0Web访问信息发掘的预处置nWeb访问信息发掘的根底和最烦琐的任务是数据的预处置。预处置用户访问信

33、息是整个数据预备的中心任务，也是开展下一阶段Web访问信息发掘的根底。预处置阶段主要的任务是识别用户访问事务和访问片断。nWeb Usage Mining在预处置阶段主要的任务有：n数据清洗：由于数据表示、写入的对象差别以及用户的兴趣和发掘算法对数据要求的不同，对于Web日志中的数据需求确定合理的数据清洗战略 。n识别用户访问事务：在对Web日志数据进展数据发掘之前，需求把对Web页的访问序列组织成逻辑单元以表征事务或用户会话。数据清洗n合并数据：在给定发掘时间段后，数据清洗需求合并Web效力器上的多个日志文件，并且解析每个文件，将其转化到数据库或特定格式的数据文件中。n剔除不相关的数据：在W

34、eb日志中一些存取记录能够对发掘来说是不用要的，例如图形文件，紧缩文件等的存取能够对面向文本发掘的用户不需求思索，所以应该被剔除。经过检查后缀gif、jpeg、zip、ps等就可以实现。n代理访问的处置：由于搜索引擎或其他一些自动代理的存在，日志中存在大量的由它们发出的恳求。因此从日志中识别代理Agent或网络爬虫Crawler or Spider对站点的访问是必需的。n正规化URIUniform Resource Identifier ：由于各种默许情况的存在，需求进一步正规化URI。n数据项解析：CGI数据项必需被解析在不同的域中，并被解析为对的方式。识别用户访问事务n在Web日志中，用户

35、的访问事务并不是一个显然的结果，需求专门的算法来进展识别和生成。找到相应的事务集，才干对这个事务集进展关联规那么和序列方式发现等发掘任务。n n时间窗C大小的界定是一个阅历值有人建议30分钟较为适宜。定义定义7-1 设设L为用户访问日志，其中的一个项为用户访问日志，其中的一个项lL包括用户的包括用户的IP地址地址l.ip，用户，用户的标识符的标识符l.uid，被存取页的，被存取页的URI地址地址l.url，长度为，长度为l.length以及存取访问的时间以及存取访问的时间l.time，存取访问的时长，存取访问的时长l.timelength，访问事务被定义为：，访问事务被定义为：这里这里C是一个

36、固定的时间窗。是一个固定的时间窗。timeltimeltimelengthlCtimeltimeluiduidlipiplLlmkforwherelengthltimelengthltimelurll.uidl.ipl.lengthlh.timelengtl.timel.urll.uidl.ipluidipttktktktktkttkttktktmtmtmtmtmtmtttttttt.,. ,. ,. , , 1 , ).,.,.,.,( ,., ),( ,111111111其他信息的预处置技术其他信息的预处置技术1 1导航内容片断导航内容片断 在一些电子商务网站中，需求知道用户到达一个内容页

37、在一些电子商务网站中，需求知道用户到达一个内容页之前是阅历哪些导航页的。例如，一个用户访问事务为：之前是阅历哪些导航页的。例如，一个用户访问事务为：N1N1，N2N2，N3N3，C1C1， N4 N4，N5N5，N6N6，C2C2，N7N7，N8N8，C3C3，N9N9，N10N10，N11N11，N12N12，C4C4，其中，其中NN为导航页，为导航页，C C为内容为内容页。识别导航内容片断就是要从用户访问事务中识别出：页。识别导航内容片断就是要从用户访问事务中识别出：片断片断1 1：N1N1，N2N2，N3N3，C1C1。片断片断2 2：N4N4，N5N5，N6N6，C2C2。片断片断3

38、3：N7N7，N8N8，C3C3。片断片断4 4：N9N9，N10N10，N11N11，N12N12，C4C4。2 2最大前向访问序列最大前向访问序列 所谓用户最大前向访问序列是指在用户访问回退之前不断所谓用户最大前向访问序列是指在用户访问回退之前不断被访问的页面序列。每个最大前向访问序列就构成一个被访问的页面序列。每个最大前向访问序列就构成一个访问片段。定义该片断的优点是有利于发现用户感兴趣访问片段。定义该片断的优点是有利于发现用户感兴趣的事务。显然在用户访问事务中寻觅最大前向序列必需的事务。显然在用户访问事务中寻觅最大前向序列必需求根据求根据WebWeb站点的拓扑构造。站点的拓扑构造。 在

39、在WebWeb访问发掘中的常用技术访问发掘中的常用技术1 1途径分析途径分析途径分析最常用的运用是用于断定在一个途径分析最常用的运用是用于断定在一个WebWeb站点中最频繁站点中最频繁访问的途径，这样的知识对于一个电子商务网站或者信息访问的途径，这样的知识对于一个电子商务网站或者信息平安评价是非常重要的。平安评价是非常重要的。2 2关联规那么发现关联规那么发现运用关联规那么发现方法可以从运用关联规那么发现方法可以从WebWeb访问事务集中，找到普访问事务集中，找到普通性的关联知识。通性的关联知识。 3 3序列方式发现序列方式发现在时间戳有序的事务集中，序列方式的发现就是指找到那些在时间戳有序的

40、事务集中，序列方式的发现就是指找到那些如如“一些项跟随另一个项一些项跟随另一个项这样的内部事务方式。这样的内部事务方式。 4 4分类分类发现分类规那么可以给出识别一个特殊群体的公共属性的描发现分类规那么可以给出识别一个特殊群体的公共属性的描画。这种描画可以用于分类新的项。画。这种描画可以用于分类新的项。 5 5聚类聚类可以从可以从Web UsageWeb Usage数据中聚集出具有类似特性的那些客户。数据中聚集出具有类似特性的那些客户。在在WebWeb事务日志中，聚类顾客信息或数据项，就可以便于事务日志中，聚类顾客信息或数据项，就可以便于开发和执行未来的市场战略。开发和执行未来的市场战略。 W

41、ebWeb访问信息发掘的要素构成访问信息发掘的要素构成1 1数据来源数据来源数据的来源分为效力器，代理效力器，和客户端。数据的来源分为效力器，代理效力器，和客户端。2 2数据类型数据类型数据的类型主要分为构造数据的类型主要分为构造, ,内容内容, ,访问信息访问信息, ,用户概貌文件。用户概貌文件。3 3用户的数量用户的数量用户的数量表现为：或者数据集只由一个用户的信息构成，用户的数量表现为：或者数据集只由一个用户的信息构成，或者数据由多个用户的信息构成。或者数据由多个用户的信息构成。4 4站点的数量站点的数量在数据集中的在数据集中的WebWeb站点的个数表现为：或者在数据集中只记站点的个数表

42、现为：或者在数据集中只记录单个站点的信息，或者记录多个站点的信息。录单个站点的信息，或者记录多个站点的信息。5 5效力对象效力对象WebWeb访问信息发掘的结果由访问信息发掘的结果由WebWeb效力方进展运用。运用的结效力方进展运用。运用的结果即效力对象可以是当个单个用户，或群体用户。单个用果即效力对象可以是当个单个用户，或群体用户。单个用户即意味着个性化。户即意味着个性化。6 6发掘手段发掘手段WebWeb访问信息发掘所采用的各种数据发掘方法，例如关联规访问信息发掘所采用的各种数据发掘方法，例如关联规那么发现，聚类，分类，统计等等。那么发现，聚类，分类，统计等等。利用利用WebWeb访问信息

43、发掘实现用户建模访问信息发掘实现用户建模n由于Web网站的特性，对网站的运营者和设计者而言，无法直接了解用户的特性。然而对访问者个人特性和群体用户特性的了解对Web网站的效力方而言显得尤为重要。侥幸的是可以经过数据发掘的方法得到用户的特性。n“用户建模Modelling Users是指根据访问者对一个Web站点上Web页面的的访问情况，可以模型化用户的本身特性。在识别出用户的特性后就可以开展针对性的效力。用户建模主要有三种途径。 n推断匿名访问者的人口统计特性 n在不打扰用户的情况下，得到用户概貌文件 n根据用户的访问方式来聚类用户利用利用WebWeb访问信息发掘发现导航方式访问信息发掘发现导

44、航方式n发现导航方式发现导航方式Discovering Navigation PatternsDiscovering Navigation Patterns是是WebWeb访问信息发掘的一个重要的研讨领域。用访问信息发掘的一个重要的研讨领域。用户的导航方式是指群体用户对户的导航方式是指群体用户对WebWeb站点内的页面站点内的页面的阅读顺序方式。的阅读顺序方式。n用户导航方式的主要运用在改良站点设计和个性用户导航方式的主要运用在改良站点设计和个性化推销等方面。化推销等方面。n1 1改良改良WebWeb站点的构造设计站点的构造设计n2 2个性化行销个性化行销Direct MarketingDir

45、ect Marketing：n3 3利用关联规那么发现算法发现导航方式利用关联规那么发现算法发现导航方式n4 4利用模板发现导航方式利用模板发现导航方式n5 5利用超文本概率文法发现导航方式利用超文本概率文法发现导航方式利用利用WebWeb访问信息发掘改良访问效率访问信息发掘改良访问效率1 1WebWeb效力器推送技术效力器推送技术2 2自顺应网站自顺应网站3 3运用导航方式的结果改良运用导航方式的结果改良WebWeb站点的访问效率站点的访问效率4 4改良改良WebWeb效力器的性能效力器的性能表表7-107-10改良改良WebWeb站点访问效率方法的比较站点访问效率方法的比较方法特点优点缺点

46、Web服务器推送技术Bin Lan相关的文档会被服务器提前推送到Proxy上。存在冗余推送问题。自适应网站Perkowitz M.通过增加索引页来帮助用户进行访问，以改进访问效率。这些索引页难于被用户理解。应用导航模式的结果改进改进Web站点的访问效率Myra Spiliopoulou 基于规则的动态Web站点。规则需要人工判定。改进Web服务器的性能Cohen E. AlmeidaSchechter通过对页面的特性的挖掘，改进服务器的效率。改进集中于页面这一级，不涉及更高级的逻辑结构改进。利用利用WebWeb访问信息发掘进展个性化效力访问信息发掘进展个性化效力在Web站点开展个性化Perso

47、nalization效力的总的思绪和步骤是：模型化页面和用户；分类页面和用户；在页面和对象之间进展匹配；判别当前访问的类别以进展引荐。而且，个性化系统普通分为两个部分：离线部分和在线部分。表7-11个性化方法的比较方法特点缺点离线聚类和动态链接结合可以实时个性化地为用户提供推荐。 随着用户访问长度的增加，可供推荐的元素会趋于零。基于关键词学习引入时间特性为用户提供推荐。需要用户人工干预，无法做到自动。识别感兴趣的链接建立代理服务器识别用户的访问兴趣提供推荐。用户兴趣的实效性考虑不够。自动定制不同用户访问界面利用用户建模技术自动定制不同的用户访问界面。“推论”依赖于用户所在的领域，适应性不好。利

48、用客户端代理进行个性化客户端的代理，完全为个人服务。冗余搜索过大。聚类推荐可以实时个性化地为用户提供推荐。 聚类的个数是人为事先给定的，不能随着每个用户的访问特性而动态调整。利用利用WebWeb访问信息发掘进展商业智能发现访问信息发掘进展商业智能发现表7-12商业智能方法的比较方法特点Buchner其贡献在于首次在Web访问信息挖掘的基础上提出了商业智能的发现的框架；其不足在于发现的知识局限于用户确实发生的购买行为，而对用户潜在的购买兴趣无法发现。Yun C.优点是挖掘了迁移和购买行为之间的内在关系。缺点是发现的知识局限于用户确实发生的购买行为，对用户潜在购买兴趣无法发现。SurfAid，Ac

49、crue，NetGenesis，Aria，Hitlist，WebTrends优点是通过分析页面的点击率来为推断商业智能提供Web流量分析。缺点是无法发现高级的商业职能。利用Web访问信息发掘进展用户挪动方式发现 n在挪动计算环境中，一个新的发掘方法，即用户的挪动方式发掘被提出。发掘的结果可以用于开发数据的分配方式以改动挪动系统的总的性能。首先，对挪动环境中的一些日志数据进展发掘，可以得到频繁用户挪动方式。然后，根据发掘结果和数据的特性设定个人数据分配方式。n根据不同层次的发掘结果，有两种个人数据分配方式：n利用集合层次的用户挪动方式DS方式；n利用途径层次的用户挪动方式DP方式。AGDHCB1

50、2345678910Partition1Partition2图7-2在一个挪动计算系统中挪动方式的例子利用Web访问信息发掘进展用户挪动方式发现 利用Web访问信息发掘进展用户挪动方式发现可以分为如下三个主要步骤：数据搜集阶段：从各个效力器的日志集合中判别最大的挪动序列和挪动对的出现次数。发掘阶段：从第一步的结果集中的每w个最大挪动序列中判别大项挪动序列。思索到新近的挪动方式，设立w为一个回想因子，一个可调整的窗口。产生方式阶段：根据第二步的得到的大项挪动序列，判别用户的挪动方式。利用协作引荐的方法实现实时个性化引荐 基于协作筛方法的Web站点实时个性化系统的构造如图7-3所示。图7-3基于协

51、作筛方法的Web站点实时个性化系统整个处置过程分为两部分：离线部分：包括数据预备、得到引荐池、建立协作筛。在线部分：引荐引擎。Web站点用户访问日志数据准备协作筛推荐引擎(s11,t11),(s12,t12),.,(s1k,t1k).用户交互Web服务器当前用户带有时长的访问页面集.推荐页面集(s21,t21),(s22,t22),.,(s2k,t2k)(sf1,tf1),(sf2,tf2),.,(sfk,tfk)(s11,t11),.,(s1k,t1k),.,(s1m,t1m)(s21,t21),.,(s2k,t2k),.,(s2m,t2m)(sf1,tf1),.,(sfk,tfk),.,(

52、sfm,tfm)第七章第七章 Web Web发掘技术发掘技术 内容提要内容提要nWeb发掘的意义nWeb发掘的分类nWeb发掘的含义nWeb发掘的数据来源 nWeb内容发掘方法 nWeb访问信息发掘方法 nWeb构造发掘方法 页面重要性的评价方法页面重要性的评价方法n在设计搜索引擎等效力时，对Web页面的链接构造进展发掘以得出有用的知识是提高检索效率的重要手段。Web页面的链接类似学术上的援用，因此一个重要的页面能够会有很多页面的链接指向它。n定义7-3 设u为一个Web页，Fu为一切u指向的页面的集合，Bu为一切指向u的页面的集合。设Nu= |Fu|为从u发出的链接的个数，c1为一个归一化的

53、因子因此一切页面的总的PageRank为一个常数，那么u页面的PageRank被定义为：n n一个页面对应的PageRank值被分配到一切它所指向的页面中；每一个页面求和一切指向它的链接所带来的PageRank以得到它的新的PageRank。在计算时可以从任何一个页面开场，经过上面的公式反复计算直到其收敛。 uBvvNvRcuR)()(页面等级页面等级n普通地说，页面的页面等级值是经过指向这个页面的数量来计算的，即经过指向向后衔接数来计算的。向后衔接是指向这个页面的衔接减去它指向外面的衔接。计算量不是简单地向后衔接的数量加合，而是要思索向后衔接的页面的重要性。n给定一个页面p，我们运用Bp作为

54、指向一系列指向P的页面，并且用Fp作为一系列由外部指向P的衔接，那么n这里的Nq=|Fq|。常量c是一个介于0，1之间的数，用于规范化。n这里有一个循环分级的问题。当计算一个页面的页面等级时，假设发生循环那么产生这个错误页面A指向页面B，页面B同时指向页面A，此时页面等级值随这些页面添加。可以经过另一个公式处理：n其中c是最大值，E(v)是一个矢量来添加一个人工衔接。它是模拟一个用户不随着衔接访问其他页面，而是随机跳到一个新的页面。E(v)添加一对结点中间能够的衔接。pBqqNqRcpR)()(uBqqNqRcpR)()(uBqqNqRcpR)()(uBqqNqRcpR)()()()()(vc

55、ENqRcpRpBqq权威页面和中心页面n所谓权威页面是指包含需求信息的最正确资源页面。所谓中心页面是一个包含权威页面衔接的页面。nHITSHyperlink-Induced Topic Search是遵照寻觅权威页面和中心页面的典型方法。HITS技术由两部分组成：n基于一组给定的关键字，可以找到相关的页面。n权威和中心页面与上述页面有关，前往具有最高权重的页面。n 算法算法7-3 HITS输入：输入： 把把www 看作一个引导图看作一个引导图W；查询恳求；查询恳求q；支持；支持s。输出：权威页面的集合输出：权威页面的集合A；中心页面的集合；中心页面的集合H。1BEGIN2 R=SE(W, q

56、)；/利用利用q得到页面的根集合得到页面的根集合R3 B= R 指向指向R的衔接的衔接来自来自R的衔接的衔接；4 G(B, L)= 由由B导出的导出的W的子图；的子图；5 G(B, L1)=删除删除G中一样站点的衔接；中一样站点的衔接；6 xp=q Yq；/ L1，得到权威页面的权重；，得到权威页面的权重；7 yp=q Xq；/ L1 ，得到中心页面的权重；，得到中心页面的权重；8 A=p|p为具有最高为具有最高xp值的页面值的页面；9 H=p|p为具有最高为具有最高yp值的页面值的页面；10ENDWeb访问信息的一些概念nW3C国际组织曾经为Web访问信息定义了一些根本概念：n定义7-4 用户User：用户被定义为一个经过阅读器访问一个或者多个Web效力器的访问者。一个用户可以经过几台PC机或者运用多个阅读器来访问，因此识别用户是义务之一。