朱 志 國(guó)

（1.大連理工大學(xué)系統(tǒng)工程研究所，遼寧大連 116024；2.東北財(cái)經(jīng)大學(xué)管理科學(xué)與工程學(xué)院，遼寧大連 116023）

0 引 言

用戶會(huì)話是指用戶在一次訪問網(wǎng)站期間從進(jìn)入網(wǎng)站到離開網(wǎng)站所進(jìn)行的一系列訪問活動(dòng).會(huì)話識(shí)別工作就是將每個(gè)用戶的活動(dòng)日志按照某種方法映射到會(huì)話中去.會(huì)話識(shí)別是否準(zhǔn)確直接決定了后續(xù)的Web使用挖掘處理結(jié)果是否有意義，因此在Web使用模式挖掘系統(tǒng)的數(shù)據(jù)預(yù)處理中，用戶會(huì)話識(shí)別和重建是非常重要的步驟之一［1］.在實(shí)踐過程中本地緩存、代理服務(wù)器和防火墻的存在，使Web日志中記錄的數(shù)據(jù)并不精確，增加了識(shí)別和重建用戶會(huì)話的難度.

目前，已經(jīng)有不少學(xué)者提出了一些用戶會(huì)話識(shí)別方法［2～4］，其中較經(jīng)典的有基于時(shí)間的啟發(fā)式方法和基于引用的啟發(fā)式方法［5］.

基于時(shí)間的啟發(fā)式方法只考慮用戶與網(wǎng)站交互中的時(shí)間因素.這種方法又可以分為基于會(huì)話時(shí)間的啟發(fā)式方法（T1）和基于頁面訪問時(shí)間的啟發(fā)式方法（T2）兩種類型.T1的主要思想是：一個(gè)用戶會(huì)話持續(xù)時(shí)間不能超過一個(gè)預(yù)設(shè)閾值Φ，通常Φ采用30 min；T2的主要思想是：用戶在一個(gè)頁面停留的時(shí)間不能超過閾值δ，否則判定新會(huì)話開始，通常δ取10 min.

基于引用的啟發(fā)式方法（H－ref）的主要思想是：利用頁面之間的實(shí)際鏈接關(guān)系來分割會(huì)話.假設(shè)同一用戶依次發(fā)出相鄰的兩個(gè)頁面請(qǐng)求p和q（其中p屬于會(huì)話S），參照網(wǎng)站的拓?fù)浣Y(jié)構(gòu)圖之后，發(fā)現(xiàn)q的引用頁面是p或者已經(jīng)存在于會(huì)話S當(dāng)中（可能利用瀏覽器的后退功能），那么可以判定q屬于會(huì)話S，反之亦然.

上述識(shí)別和構(gòu)建用戶會(huì)話方法，比較適合于一些簡(jiǎn)單的模式挖掘過程.為發(fā)現(xiàn)更多潛在的和有意義的Web用戶偏好模式，本文基于Web站點(diǎn)目錄結(jié)構(gòu)，把用戶訪問的URL中攜帶的信息概念化后，進(jìn)行用戶會(huì)話識(shí)別與重構(gòu)工作.

1 Web日志數(shù)據(jù)模型

Web日志中的每一條訪問請(qǐng)求可以反映出用戶在瀏覽過程中的意圖和興趣.本文采用Web站點(diǎn)目錄結(jié)構(gòu)為本體，將這些Web訪問記錄中URL攜帶的語義信息概念化.目前有幾種常見的Web日志數(shù)據(jù)模型，例如：NCSA、擴(kuò)展W3C和IRCache［6］格式等.下面僅以IRCache格式的Web日志為例進(jìn)行討論.每一個(gè)IRCache日志文件包含了10個(gè)基本域，圖1展示了一個(gè)IRCache日志文件中一條記錄的詳細(xì)內(nèi)容.

圖1 IRCache日志格式示例Fig.1 The example of IRCache log format

每一條發(fā)送給服務(wù)器的訪問請(qǐng)求必不可少的3部分信息包括時(shí)間、源IP地址和請(qǐng)求的URL.一條完整的URL信息可以被分割成基本部分和剩余部分.它們分別代表Web服務(wù)器主機(jī)域名和URL的其余部分.本文采用URL的基本部分來語義化表征每條URL.

如表1所示，假定一個(gè)Web日志文件中按照時(shí)間順序有t1～t8共8條請(qǐng)求記錄.這里將URL序列集合｛…，b＿urli＋rj，…｝與時(shí)間記錄｛…，tk，…｝對(duì)應(yīng)起來.接下來，首先將這些日志記錄以相應(yīng)的IP地址信息來分類，然后對(duì)每個(gè)請(qǐng)求集合中的URL基本部分間的語義距離進(jìn)行比較.可以認(rèn)為一個(gè)語義會(huì)話中的URL應(yīng)該有相似的語義，也就是說，通過對(duì)于URL間語義相似性的比較可以考察一個(gè)Web用戶的訪問意圖是否具有延續(xù)性和持久性.

表1 URL請(qǐng)求的日志記錄示例Tab.1 The example of URL request in a log file

2 利用Web目錄對(duì)URL概念化

為了判定一條URL的語義特征，必須基于本體來對(duì)URL進(jìn)行概念化，在本文中借助Web站點(diǎn)的目錄結(jié)構(gòu)來構(gòu)建這樣的本體，然后在獲取到一個(gè)概念化的URL樹狀結(jié)構(gòu)基礎(chǔ)上，評(píng)測(cè)URL之間的語義相似性.

本體又被稱為語義分類器，它是可定義為被共享的概念化的一個(gè)形式的規(guī)格說明［7］.這意味著本體對(duì)于未概念化數(shù)據(jù)的語義富化或者結(jié)構(gòu)化起到重要的作用.類似于Cora（http：／／cora.whizbang.com）這樣的Web目錄結(jié)構(gòu)可以作為一個(gè)本體，對(duì)一個(gè)URL所指向的網(wǎng)頁內(nèi)容給出一個(gè)標(biāo)準(zhǔn)和通用的描述.此外，Web目錄采用的是主題層級(jí)結(jié)構(gòu)的組織方式，這種結(jié)構(gòu)對(duì)于大量信息的組織、查閱和檢索是高效率的，否則采用其他結(jié)構(gòu)組織方式，將會(huì)非常麻煩［8］.

本文假設(shè)站點(diǎn)中所有的URL可以通過良好組織的Web目錄服務(wù)被概念化［9］.可是在實(shí)際操作方面仍然存在一些困難，這是因?yàn)榇蠖鄶?shù)的Web站點(diǎn)目錄為了避免由于冗余信息［10］所造成的存儲(chǔ)空間浪費(fèi)而采用了非通用的樹形結(jié)構(gòu).把利用Web目錄作為本體，概念化URL過程中存在的問題簡(jiǎn)單總結(jié)如下：

（1）一條URL的多屬性.一個(gè)Web站點(diǎn)可以有多個(gè)主題.不同主題范疇之間的相互關(guān)系使得它們的層級(jí)結(jié)構(gòu)越發(fā)復(fù)雜.一條URL能夠?qū)儆诙鄠€(gè)不同范疇，如圖2（a）中的A和B.

（2）范疇之間的關(guān)系.一個(gè)范疇從根節(jié)點(diǎn)可以有多條路徑，因此它就可以附屬于多個(gè)父范疇.如圖2（b）所示，范疇C不僅僅是P的子類，同時(shí)也是A的子類.而且一些范疇盡管有不同的標(biāo)記，但是從語義上來說還是相同的.

圖2 概念化URL中存在的問題Fig.2 The problems in URL conceptualization process

為了簡(jiǎn)化處理上面所提出的問題，本文把每一條URL歸類到所有與它最可能相關(guān)的范疇中去，因此一條URLurli可以被歸并到一個(gè)范疇集合Category（urli）中去，范疇集的大小取決于Web目錄的復(fù)雜程度.一個(gè)范疇集中每個(gè)元素代表了Web目錄上一條從根節(jié)點(diǎn)到相應(yīng)范疇的路徑.設(shè)在表1中將URL的基本部分｛b＿url1，b＿url2，b＿url3｝語義豐富為｛〈a：b：d，a：b：f：k〉，〈a：c：h〉，〈a：b：f：j〉｝，最左邊的概念a表示W(wǎng)eb目錄結(jié)構(gòu)的根節(jié)點(diǎn)，那么這些URL基本部分相應(yīng)地可以被范疇化為〈d，k〉、〈h〉和〈j〉.特別指出的是，范疇Category（b＿url1）由兩個(gè)不同的概念（〈a：b：d，a：b：f：k〉）所組成.

3 語義會(huì)話識(shí)別方法

3.1 基本符號(hào)和相關(guān)定義

本文定義了一些Web請(qǐng)求URL之間的語義關(guān)系的測(cè)度指標(biāo).以Web目錄為本體對(duì)每條請(qǐng)求的URL概念化后，可以獲得該條URL所有可能的概念化有序路徑path.首先，語義距離可以通過計(jì)算兩條URL之間的語義差異而得到.設(shè)一條URLurli被劃歸到所屬的范疇集合后，相應(yīng)的路徑如下：

其中M表示范疇路徑的條數(shù).對(duì)Levenshtein編輯距離公式［11］簡(jiǎn)單擴(kuò)展后，就可以得到兩條URLurl i和url j之間的語義距離公式，如下：

其中和分別代表路徑以及兩者共同部分的長(zhǎng)度.因?yàn)樵跇浣Y(jié)構(gòu)中標(biāo)記的路徑代表了概念化的URL，據(jù)此能夠輕松得知URL之間互相疊加的共同部分.利用Δ◇對(duì)兩條URLurl i和url j所有概念化路徑分別進(jìn)行計(jì)算，取其中的最小值.這個(gè)值應(yīng)在區(qū)間［0，1］內(nèi)，其中0代表完全匹配.式（2）中作分母的指數(shù)函數(shù)用來增強(qiáng)的作用.

第二個(gè)語義指標(biāo)是要聚合預(yù)定義時(shí)間段T中的所有URL，因此語義距離矩陣DΔ◇的計(jì)算公式如下式所示：

此矩陣的規(guī)模取決于預(yù)定義時(shí)間間隔T，并且矩陣中對(duì)角元素全部為0.

基于DΔ◇，給出語義平均值μ◇的計(jì)算公式如下式所示：

其中DΔ◇（i，j）是距離矩陣中第（i，j）元素的計(jì)算值.μ◇實(shí)際上是矩陣中除了對(duì)角線以外的上三角元素的平均值，考慮給定的時(shí)間間隔T，可以推導(dǎo)出語義偏離值σ◇的計(jì)算公式如下：

以上這些設(shè)定指標(biāo)主要用來定量分析兩個(gè)任意日志間的語義距離，根據(jù)給定的時(shí)間間隔，從統(tǒng)計(jì)學(xué)角度甄別出超過某一預(yù)設(shè)閾值的語義奇異值.

3.2 靜態(tài)Web日志中的語義奇異值鑒別

當(dāng)對(duì)Web日志集進(jìn)行會(huì)話分割時(shí)，一般來說日志中的記錄都是隨時(shí)間變化的，更準(zhǔn)確地講是流動(dòng)的，這樣在流數(shù)據(jù)集中進(jìn)行會(huì)話識(shí)別不僅僅需要上面給出的一定時(shí)間間隔內(nèi)的語義關(guān)系的測(cè)度指標(biāo)，還需要計(jì)算語義均值μ◇的分布，這個(gè)將會(huì)在后面作詳細(xì)描述.下面首先簡(jiǎn)單地考慮一個(gè)給定的數(shù)據(jù)集不隨時(shí)間變化的情況，并且在這里假定它的大小是固定不變的.

為了分析會(huì)話識(shí)別中的語義奇異值，本文把每個(gè)會(huì)話的部分語義偏離值σ◇之和最小視為給定數(shù)據(jù)集達(dá)到了最優(yōu)的會(huì)話分割.因此，本文給出一個(gè)會(huì)話識(shí)別原則PSI（principle session identifiers），其定義如下式，PSI實(shí)際上是會(huì)話邊界位置的集合.

其中變量S和T分別表示會(huì)話數(shù)量和時(shí)間間隔.

下面首先給出在靜態(tài)日志中進(jìn)行會(huì)話識(shí)別時(shí)關(guān)于PSI的目標(biāo)函數(shù)SOAs，具體計(jì)算公式如下：

其中表示第i分段的部分語義偏離值.為了最小化SOAs，在語義距離矩陣DΔ◇中搜尋出最顯著差異的一對(duì)值，也就是在矩陣DΔ◇中的最大值.具體的計(jì)算公式如下：

式中：是一個(gè)在給定時(shí)間區(qū)間［Ta，Tb］求得最大值的函數(shù).當(dāng)計(jì)算得到了最大語義距離值DΔ◇（p，q）時(shí)，可以推斷在第p和q個(gè)URL之間至少存在一個(gè)psi.接下來用時(shí)間區(qū)間［T p，Tq］取代初始的區(qū)間［T a，Tb］，經(jīng)過遞歸，在縮小的時(shí)間區(qū)間中進(jìn)一步掃描，找到最大的語義距離值，接下來可以將兩個(gè)相鄰元素之間的psi作為候選，用SOAs（psi）來評(píng)估.如果值小于σ◇，那么這個(gè)候選psi可以插入PSI中去，否則由這個(gè)候選psi產(chǎn)生的會(huì)話分割就取消掉.這就是會(huì)話識(shí)別中自頂向下的過程，直到發(fā)現(xiàn)的會(huì)話數(shù)量滿足要求為止.此外，在SOAs（psi）評(píng)估過程中，還能夠把會(huì)話識(shí)別中過擬合所導(dǎo)致的錯(cuò)誤也及時(shí)地檢查出來.

圖3所示的兩個(gè)例子中，URL記錄分別屬于兩個(gè)會(huì)話SA和S B.圖中A（i）和B（i）分別代表會(huì)話SA和S B中的第i個(gè)部分.可以認(rèn)為A（i）（或B（i））之間的語義距離遠(yuǎn)小于A（i）與B（i）間的語義距離.設(shè)4個(gè)最大的語義距離Δ◇［A（1），B（1）］、Δ◇［A（2），B（2）］、Δ◇［A（2），B（0）］和Δ◇［A（2），B（1）］分別是0.86、0.85、0.81和0.79，最終分割為兩段會(huì)話.在Case 1中，由于在初始時(shí)間間隔區(qū)間［1，6］中最大的語義距離是Δ◇［A（1），B（1）］，當(dāng)時(shí)間間隔區(qū)間縮短為［2，5］后，這時(shí)Δ◇［A（2），B（0）］是最大值，因此在這個(gè)時(shí)間段中可以確定psi3作為一個(gè)候選，最后，計(jì)算得到σ◇［1，3］＋σ◇［4，6］＜σ◇［1，6］后，判定候選psi3可以插入PSI中去.Case 1相對(duì)來說是比較簡(jiǎn)單的，可以明顯地找到候選psi，并且也能夠驗(yàn)證會(huì)話分割是正確的.比較復(fù)雜的情況是Case 2，會(huì)話SA中有一個(gè)不同類的請(qǐng)求B（0）.同樣首先確定在初始時(shí)間間隔區(qū)間［1，6］中最大的語義距離是Δ◇［A（1），B（1）］，之后在縮減的時(shí)間間隔［2，5］中第1個(gè)psi3由Δ◇［B（0），A（2）］生成，但是通過計(jì)算發(fā)現(xiàn)σ◇［1，3］＋σ◇［4，6］≥σ◇［1，6］，則這個(gè)候選psi3不符合要求，被刪除掉.接下來，第2個(gè)候選psi4由Δ◇［A（2），B（1）］生成，并且通過計(jì)算σ◇［1，4］＋σ◇［5，6］＜σ◇［1，6］，確定這個(gè)psi4符合要求可以被插入到PSI集中去.

圖3 自頂向下的會(huì)話識(shí)別方法示例Fig.3 Top－down approach for session identification methods

3.3 Web日志流中的語義會(huì)話識(shí)別

實(shí)際應(yīng)用中，在線Web日志總是在不斷變化中.但是既要考慮到現(xiàn)有的日志數(shù)據(jù)又要顧及到流數(shù)據(jù)幾乎是不可能的，為此定義了一個(gè)時(shí)間窗口W.W作為一個(gè)預(yù)定義值，來約束能夠從當(dāng)前位置容納的最新URL條目數(shù)量，每一次當(dāng)有新的URL請(qǐng)求，這個(gè)時(shí)間窗口也相應(yīng)向前移動(dòng).為了甄別和分析日志流中的語義孤立值，本文不僅要著眼于基本的語義指標(biāo)，還要根據(jù)給定的時(shí)間窗口把語義均值的分布情況μ◇（W（T））考慮進(jìn)去.

作為SOAs的擴(kuò)展，給出分析動(dòng)態(tài)日志中語義孤立值的目標(biāo)函數(shù)SOAd的計(jì)算公式，如下式所示：

式中：W（i）代表從第i條URL開始的時(shí)間窗口.這個(gè)目標(biāo)函數(shù)通過找到最正確的PSI集合來最小化SOAd（psi）的值.候選psi i的產(chǎn)生依靠連續(xù)時(shí)間窗口中的語義均值與預(yù)設(shè)閾值ε之間的比較估算得出，如下式所示：

4 實(shí)驗(yàn)和討論

4.1 會(huì)話識(shí)別方法的評(píng)估

對(duì)于一個(gè)會(huì)話識(shí)別方法h的一般測(cè)評(píng)方法是通過比較Ch（由方法h劃分日志文件后得到的識(shí)別會(huì)話集合）與R（日志文件被劃分成由真實(shí)會(huì)話組成的集合）之間的差別來對(duì)方法h進(jìn)行評(píng)價(jià).將識(shí)別方法h的得分表示為M（h），其值域?yàn)椋?，1］.目前，有兩種常用的測(cè)評(píng)方法：一種是依據(jù)真實(shí)會(huì)話被完全識(shí)別出來的數(shù)量進(jìn)行評(píng)價(jià)的絕對(duì)型測(cè)評(píng)方法；另外一種就是依據(jù)會(huì)話被識(shí)別出來的程度進(jìn)行評(píng)價(jià)的漸進(jìn)型測(cè)評(píng)方法.

4.1.1 絕對(duì)型測(cè)評(píng)方法

定義1 當(dāng)一個(gè)真實(shí)會(huì)話中的所有成員都包含于某個(gè)識(shí)別會(huì)話中時(shí)，那么可以稱這個(gè)真實(shí)會(huì)話被“完全識(shí)別”出來.

如果含有n個(gè)成員的真實(shí)會(huì)話r被“完全識(shí)別”，當(dāng)且僅當(dāng)存在一個(gè)識(shí)別會(huì)話c含有m個(gè)成員，并滿足i＝1，2，…，n，罷j∈｛1，2，…，m｝：r［i］＝c［j］.識(shí)別會(huì)話保持了真實(shí)會(huì)話的成員序列.

根據(jù)上述完全重構(gòu)的真實(shí)會(huì)話的定義，絕對(duì)型測(cè)評(píng)方法的定義通常可以采用精確率和召回率這兩個(gè)指標(biāo)，來衡量一個(gè)會(huì)話識(shí)別方法完全推測(cè)出的真實(shí)會(huì)話的數(shù)量，如下式：

精確率（precision ratio）是完全識(shí)別的會(huì)話數(shù)量與構(gòu)造生成的總會(huì)話數(shù)量的比值.

召回率（recall ratio）是完全識(shí)別的會(huì)話數(shù)量與真正的會(huì)話數(shù)量的比值.

4.1.2 漸進(jìn)型測(cè)評(píng)方法 許多情況下，識(shí)別會(huì)話與真實(shí)會(huì)話可能只是存在部分的相同.下面對(duì)于識(shí)別會(huì)話和真實(shí)會(huì)話間的重疊度問題進(jìn)行討論.

定義2 重疊度定義為真實(shí)會(huì)話和識(shí)別會(huì)話間的相同成員數(shù)量除以真實(shí)會(huì)話中的成員總數(shù).即真實(shí)會(huì)話r（含有n個(gè)成員）與識(shí)別會(huì)話c（含有m個(gè)成員）間的重疊度dego（r，c），定義如下式所示：

可以通過定義函數(shù)f求得所有識(shí)別會(huì)話與真實(shí)會(huì)話間重疊度的平均值或最大值來計(jì)算出一個(gè)真實(shí)會(huì)話r的重疊度.本文f定義為取最大值，即如下式所示：

最后，定義函數(shù)g為對(duì)所有真實(shí)會(huì)話的重疊度值求平均，以此對(duì)會(huì)話識(shí)別方法進(jìn)行評(píng)價(jià).即

在根據(jù)上述定義，本文給出的漸進(jìn)型測(cè)評(píng)方法就是通過函數(shù)g對(duì)真實(shí)會(huì)話集R與C h中識(shí)別會(huì)話的重疊度進(jìn)行計(jì)算，從而得到對(duì)于某一會(huì)話識(shí)別方法h的評(píng)價(jià).

重疊度為1表示這個(gè)真實(shí)會(huì)話與其識(shí)別會(huì)話完全符合.

如果一個(gè)識(shí)別會(huì)話錯(cuò)誤地包含了一些本應(yīng)該分配到其他會(huì)話中去的成員，此時(shí)重疊度并沒有發(fā)生改變，自然也不會(huì)影響對(duì)啟發(fā)式方法h的評(píng)價(jià)，但這樣一些不符合邏輯的頁面關(guān)系可能會(huì)被推導(dǎo)出來.為此，提出一個(gè)改進(jìn)的重疊度定義.

定義3 改進(jìn)重疊度定義為真實(shí)會(huì)話和識(shí)別會(huì)話間的相同成員數(shù)量w a除以真實(shí)會(huì)話與識(shí)別會(huì)話并集中的所有成員數(shù)量.這樣重疊度的計(jì)算公式為測(cè)評(píng)方法Ms（g）（h）的定義與Mo（g）（h）相似，如下式所示：

4.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)取自sv.us.ircache.net網(wǎng)站，這個(gè)網(wǎng)站采用了IRCache的格式.由于要人工識(shí)別真實(shí)會(huì)話，數(shù)據(jù)量和工作量都比較大，只選取2006－05－25 1 d發(fā)生的14 292個(gè)頁面請(qǐng)求進(jìn)行分析.根據(jù)分析判斷，5月25日比較接近整個(gè)月份的平均訪問水平線，具有一定代表性，因此本文只對(duì)該天的日志進(jìn)行分析.為了正確地反映用戶的瀏覽行為，站點(diǎn)禁止使用緩存.實(shí)驗(yàn)運(yùn)行環(huán)境是酷睿雙核E2160，操作系統(tǒng)為Windows 2003 Server，內(nèi)存為1 GB.實(shí)驗(yàn)的主要目的是對(duì)本文提出的會(huì)話識(shí)別方法與其他會(huì)話識(shí)別啟發(fā)方法進(jìn)行對(duì)比分析.實(shí)驗(yàn)首先對(duì)原始數(shù)據(jù)進(jìn)行清理，參照Web目錄清除掉URL域中模糊不清的日志記錄（錯(cuò)誤的拼寫或IP地址等）.

實(shí)驗(yàn)前，經(jīng)過人工識(shí)別得到479個(gè)用戶與1 344個(gè)真實(shí)會(huì)話，接下來取出會(huì)話的邊界標(biāo).采用本文前面所討論的3種經(jīng)典方法以及本文提出的語義會(huì)話識(shí)別方法分別進(jìn)行計(jì)算.對(duì)于基于會(huì)話持續(xù)時(shí)間的識(shí)別方法，實(shí)驗(yàn)選擇30 min為一個(gè)會(huì)話的最長(zhǎng)持續(xù)時(shí)間，記為T1－30.對(duì)于基于頁面停留時(shí)間的識(shí)別方法，實(shí)驗(yàn)選擇10 min為頁面最長(zhǎng)停留時(shí)間，記為T2－10.對(duì)于基于頁面間引用關(guān)系的識(shí)別方法，實(shí)驗(yàn)中將Δ設(shè)置為10，記為H－ref.本文提到的方法，針對(duì)靜態(tài)和流動(dòng)兩類Web日志類型的語義奇異值分析方法分別用SOAs和SOAd代表，時(shí)間窗口W預(yù)設(shè)值定為50，表2顯示了實(shí)驗(yàn)的結(jié)果.

表2 5種會(huì)話識(shí)別方法的絕對(duì)型測(cè)評(píng)結(jié)果Tab.2 The categorical evaluation results of five session identification methods

表3中列出了5種會(huì)話重構(gòu)啟發(fā)方法根據(jù)兩種漸進(jìn)型測(cè)評(píng)方法得到的計(jì)算值（Mo（g）（h）和Ms（g）（h）表示兩種漸近型評(píng)測(cè)值）.可以看出本文提出的基于URL本體的SOAs和SOAd的啟發(fā)方法從識(shí)別會(huì)話的精確率和召回率來看，比現(xiàn)有的其他3種經(jīng)典方法提高了一些.

表3 5種會(huì)話識(shí)別方法的漸進(jìn)型測(cè)評(píng)結(jié)果Tab.3 The gradual evaluation results of five session identification methods

從實(shí)驗(yàn)結(jié)果總體分析，本文提出的基于URL語義分析的會(huì)話識(shí)別方法的主要優(yōu)點(diǎn)在于：可以不受瀏覽時(shí)間間隔和用戶IP地址限制，把超過時(shí)間間隔或者沒有直接引用關(guān)系的URL通過語義關(guān)聯(lián)在一起，形成一個(gè)更為準(zhǔn)確的會(huì)話.但是T1－30、T2－10和H－ref這些經(jīng)典方法對(duì)于用戶會(huì)話識(shí)別分割的考慮因素比較簡(jiǎn)單，這樣在應(yīng)用層面利于實(shí)現(xiàn)和推廣，因此本文提出的這個(gè)方法可以作為經(jīng)典方法的一個(gè)有益補(bǔ)充，主要用來分析復(fù)雜的用戶訪問模式.同時(shí)這個(gè)方法可以得到語義化的用戶會(huì)話，有助于開展本體概念層次的Web使用挖掘工作.

5 結(jié) 語

本文提出的會(huì)話識(shí)別方法采用Web目錄作為本體，對(duì)日志記錄中的每一條URL記錄賦予一定的語義信息，在此基礎(chǔ)上根據(jù)文中給定的一些測(cè)度指標(biāo)對(duì)URL間語義相似度進(jìn)行評(píng)價(jià)，繼而對(duì)用戶會(huì)話識(shí)別和分割.實(shí)驗(yàn)結(jié)果表明，本文提出的會(huì)話識(shí)別方法在各種測(cè)評(píng)方法的評(píng)估中均占優(yōu).基于語義的Web用戶會(huì)話識(shí)別算法可以不受用戶瀏覽時(shí)間間隔和IP地址的限制，在對(duì)經(jīng)常改變?yōu)g覽興趣或習(xí)慣于同時(shí)進(jìn)行多代理瀏覽的用戶進(jìn)行會(huì)話識(shí)別時(shí)，該方法有較強(qiáng)的優(yōu)越性——更高的會(huì)話識(shí)別率.

本文的下一步工作為深入研究一個(gè)Web站點(diǎn)如果沒有在Web目錄中注冊(cè)，如何通過分析鏈接間接地對(duì)這個(gè)站點(diǎn)中的訪問URL進(jìn)行概念化.

［1］FEDERICO M F，PIER L L.Mining interesting knowledge from weblogs：a survey［J］.Data and Knowledge Engineering，2005，53（3）：225－241

［2］陳子軍，王鑫昱，李 偉.一種Web日志會(huì)話識(shí)別的優(yōu)化方法［J］.計(jì)算機(jī)工程，2007，33（1）：95－97

［3］張 輝，宋瀚濤，徐曉梅.基于語義的Web用戶會(huì)話識(shí)別算法［J］.北京理工大學(xué)學(xué)報(bào)，2007，27（6）：471－473

［4］SPILIOPOULOU M，MOBASHER B，BERENDT B，etal.A framework for the evaluation of session reconstruction heuristics in Web－usage analysis［J］.INFORMS Journal of Computing，2003，15（2）：10－16

［5］朱志國(guó)，鄧貴仕.Web使用挖掘技術(shù)的分析與研究［J］.計(jì)算機(jī)應(yīng)用研究，2008，25（1）：41－47

［6］NLANR／NSF.IRCache users guide［EB／OL］.［2008－03－18］.http：／／www.ircache.net／

［7］GRUBER T.What is an ontology？［EB／OL］.［2008－02－21］.http：／／www－ksl.stanford.edu／kst／what－is－an－ontology.htm

［8］JUNG J，YOON J.Collaborative information filtering by using categorized bookmarks on the Web［C］／／Proceedings of the 14th International Conference on Applications of Prolog.Tokyo：The Prolog Association，2001：343－357

［9］MEO R，LANZI P L，MATERA M.Integrating Web conceptual modeling and Web usage mining［C］／／KDD Workshop on Web Mining and Web Usage Analysis.Berlin：Springer，2004：117－214

［10］EIRINAKI M，VAZIRGIANNIS M，VARLAMIS I.Sewep：using site semantics and a taxonomy to enhance the Web personalization process［C］／／Proceedings of the Ninth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York：ACM Press，2003：99－108

［11］LEVENSHTEIN I V.Binary codes capable of correcting deletions，insertions，and reversals［J］.Soviet Physics Doklady，1966，10（8）：707－710