Web日志矩阵挖掘算法研究

邵天会

【摘要】 Web日志常用的挖掘算法焦点在用户访问习惯上提取相关数据，主要的算法有Apriori，最大向前算法，拓扑算法等，这些算法只是简单的设计用户的访问频度，通过用户访问频度进行达到用户兴趣度的测量，其实这不是很精确的解决方法。因为影响网页相应的因素很多，比如网页之间的自动链接，页面和页面之间的相对位置都会起到至关重要的作用。矩阵算法进行有向图的转换，用户信息的存储利用，同时利用Apriori算法进行事务集的筛选，统计，综合各种算法的优点，提出一种基于矩阵的改进的挖掘算法进行用户兴趣度的挖掘。

【关键字】 Web日志 挖掘算法 用户兴趣度

一、基础概念

定义 1：会话矩阵：用户会话集合的二维矩阵，列为会话，行为访问路径，每行代表一个用户访问一次的记录，一列代表用户对该站点访问的总量。

定义 2：用户访问的遍历矩阵：行为访问路径，列为当前访问路径结束或者跳转。添加支持度m，构成路径：引用页面----访问页面----页面访问频度。同时在矩阵的第一个单元格设置一个null值，表示用户直接进入该网站的url，而没有通过其他的页面跳转，如果网站有n个url，该网站可以形成n+1矩阵。

定义 3：页面的距离：会话矩阵任意两行x，y。如果x>0则x=1，同理y>0则y=1，构成向量x，y-à0，1。我们就称x，y之间的页面距离为d。

定义 4：兴趣支持度：假设所有访问路径S中，t是属于S的子集，如果x属于t，那么可以认为x和S中的路径前m位是相同的，不同的t就得出多种相同m位，归集相同的部分得出用户的兴趣支持度