朱寿华,黄保华
(1.广西大学 计算机与电子信息学院,广西 南宁 530004;2.广西中医药大学 信息网络中心,广西 南宁 530001)
人们在访问Web站点时,服务器的Web日志文件会自动保留其访问信息,而Web日志挖掘就是通过分析服务器Web日志文件信息,试图发现用户的上网行为模式,了解用户的访问习惯和兴趣,以便能更好地为用户提供个性化服务和构建自适应站点等[1]。Web日志挖掘的过程主要分为三个阶段:数据预处理、模式识别和模式分析[2]。数据预处理阶段会根据不同情况、不同业务,从大量未经处理的原始数据中提取出所需要的信息进行处理。模式识别阶段的主要作用是采用数据挖掘算法对预处理后的数据集合进行挖掘,从而发现用户潜在的访问规律及模式。模式分析阶段会对模式发现阶段所产生的模式和规则进行分析过滤,提取出对用户有用的或者感兴趣的模式和规则,并转化成用户所能接受的知识呈现出来。
笔者首先对目前较为常用的用户会话识别方法进行分析研究,然后在此基础上提出一种新的用户会话识别方法并进行实验。提取一段真实的Web日志信息,在数据预处理过程中采用新的用户会话识别方法进行处理,实验证明了新的方法比目前常用的方法更为有效。
服务器的Web日志文件是日志挖掘的主要对象。但是由于防火墙、代理服务器、本地缓存的存在,使得Web日志文件中的信息数据通常是冗余的、不完整的、有错误的,这对后续挖掘算法的分析结果产生了直接的影响。……