肖宏飛

（滁州職業(yè)技術(shù)學(xué)院，安徽滁州239000）

Web日志挖掘在個(gè)性化網(wǎng)站中的應(yīng)用初探

肖宏飛

（滁州職業(yè)技術(shù)學(xué)院，安徽滁州239000）

本文分析了傳統(tǒng)網(wǎng)站系統(tǒng)的現(xiàn)狀及其弊端，針對(duì)這些問題提出使用web日志挖掘技術(shù)，對(duì)網(wǎng)站瀏覽者的行為進(jìn)行分析，并在此基礎(chǔ)上對(duì)瀏覽者訪問網(wǎng)站的行為進(jìn)行預(yù)測(cè)，從而為瀏覽者提供個(gè)性化的訪問頁(yè)面，提供訪問者的檢索效率，同時(shí)根據(jù)對(duì)瀏覽者訪問記錄的web日志挖掘結(jié)果，改進(jìn)網(wǎng)站結(jié)構(gòu)及功能設(shè)計(jì)。

web日志挖掘；個(gè)性化；網(wǎng)站改進(jìn)

一、概述

隨著網(wǎng)絡(luò)信息技術(shù)的飛速發(fā)展和互聯(lián)網(wǎng)的廣泛應(yīng)用，網(wǎng)站的數(shù)量已經(jīng)數(shù)以億計(jì)，各式各樣的網(wǎng)站系統(tǒng)也層出不窮，其功能也越來越多，但大多數(shù)網(wǎng)站系統(tǒng)卻不能真正完全適應(yīng)瀏覽者的要求。其原因主要是忽視了瀏覽者日志這一重要信息，沒有給出針對(duì)日志信息的個(gè)性化服務(wù)，降低了瀏覽者的訪問速率。

所謂的個(gè)性化網(wǎng)站服務(wù)，就是一種有針對(duì)性的網(wǎng)站服務(wù)方式，根據(jù)用戶瀏覽習(xí)慣來設(shè)定，依據(jù)web日志對(duì)瀏覽者的興趣愛好、瀏覽習(xí)慣、關(guān)注資訊等相關(guān)資源，向用戶提供和推薦相關(guān)信息，以滿足用戶的需求。從整體上說，個(gè)性化網(wǎng)站服務(wù)打破了傳統(tǒng)的讓用戶來適應(yīng)網(wǎng)站系統(tǒng)的模式，能充分利用各種網(wǎng)絡(luò)資源優(yōu)勢(shì)，主動(dòng)開展以滿足用戶個(gè)性化需求為目的的全方位的web服務(wù)。個(gè)性化網(wǎng)站服務(wù)是一種網(wǎng)絡(luò)信息服務(wù)的方式，開展網(wǎng)站個(gè)性化服務(wù)是提供信息檢索和信息資源有效使用的重要手段，突出了網(wǎng)站信息服務(wù)的主動(dòng)性，開拓了網(wǎng)站信息服務(wù)的新思路。

二、w eb日志挖掘介紹

隨著internet的飛速發(fā)展，大量的數(shù)據(jù)囤積在互聯(lián)網(wǎng)上，在數(shù)據(jù)背后隱含著重要的知識(shí)。如何從互聯(lián)網(wǎng)數(shù)據(jù)中提取有用的信息，已成為當(dāng)今計(jì)算機(jī)技術(shù)研究的一個(gè)熱點(diǎn)課題。按照挖掘?qū)ο蟮牟煌?，一般將web挖掘分為3大類：web內(nèi)容挖掘、web結(jié)構(gòu)挖掘和web日志挖掘。

Web日志挖掘是對(duì)用戶訪問web時(shí)在服務(wù)器上面留下的訪問日志進(jìn)行挖掘，即對(duì)用戶訪問web站點(diǎn)的存取方式進(jìn)行挖掘，發(fā)現(xiàn)用戶的訪問模式和興趣愛好等信息和知識(shí)。挖掘的目的是在海量的網(wǎng)絡(luò)數(shù)據(jù)中自動(dòng)、快速地發(fā)現(xiàn)用戶的訪問模式，如訪問路徑、檢索信息、用戶聚類等。分析和探索web日志記錄中的規(guī)律，可以識(shí)別網(wǎng)站的潛在用戶，增強(qiáng)對(duì)用戶的信息服務(wù)質(zhì)量，并通過對(duì)web日志的分析改進(jìn)網(wǎng)站結(jié)構(gòu)。web日志挖掘過程如下圖1所示。

圖1 w eb日志挖掘過程

三、web日志挖掘在個(gè)性化網(wǎng)站中的應(yīng)用

下面以一個(gè)《網(wǎng)站動(dòng)畫設(shè)計(jì)》課程網(wǎng)站為例來說明web日志挖掘的應(yīng)用。該網(wǎng)站主要欄目有：教學(xué)課件、實(shí)例視頻、教學(xué)大綱、作品展示、素材下載、在線答疑等，訪問者主要為滁州職業(yè)技術(shù)學(xué)院信息工程系08級(jí)圖形圖像專業(yè)學(xué)生，網(wǎng)站采用學(xué)號(hào)注冊(cè)方式進(jìn)行訪問。根據(jù)學(xué)員的訪問記錄，在學(xué)員下次再訪問該網(wǎng)站時(shí)，推薦學(xué)員感興趣的知識(shí)點(diǎn)和相關(guān)資訊，以滿足不同興趣、不同訪問目的的學(xué)員的需求，從而實(shí)現(xiàn)主動(dòng)推薦的目的。網(wǎng)站結(jié)構(gòu)如下圖2所示。

圖2 《網(wǎng)站動(dòng)畫設(shè)計(jì)》網(wǎng)站結(jié)構(gòu)圖

（一）數(shù)據(jù)收集及預(yù)處理

瀏覽者在訪問網(wǎng)站時(shí)會(huì)留下很多信息，如訪問IP、訪問時(shí)間、離開時(shí)間、所請(qǐng)求URL資源、訪問的HTTP狀態(tài)碼、客戶端瀏覽軟件等。在網(wǎng)站服務(wù)器上的原始的web日志中，不是所有的訪問日志記錄對(duì)于web日志使用數(shù)據(jù)挖掘都是有用的，進(jìn)行web日志挖掘只需要對(duì)包含有用信息的日志記錄進(jìn)行挖掘，因此要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)預(yù)處理是Web日志挖掘的重要環(huán)節(jié)，其任務(wù)是將原始日志數(shù)據(jù)轉(zhuǎn)換成適合數(shù)據(jù)挖掘和模式發(fā)現(xiàn)所必需的格式，預(yù)處理可以直接簡(jiǎn)化數(shù)據(jù)挖掘過程，使結(jié)果更具客觀性。數(shù)據(jù)預(yù)處理包括數(shù)據(jù)凈化、用戶識(shí)別、會(huì)話識(shí)別、路徑補(bǔ)充四個(gè)步驟。

1、數(shù)據(jù)凈化

所謂數(shù)據(jù)凈化，是指將等待處理的web日志數(shù)據(jù)導(dǎo)入到相關(guān)的關(guān)系數(shù)據(jù)表中，刪除web日志數(shù)據(jù)中不正確的值或者缺失值等信息，同時(shí)把與web日志挖掘無關(guān)的變量和數(shù)據(jù)進(jìn)行清理，達(dá)到簡(jiǎn)化數(shù)據(jù)挖掘過程的目的。在本例中我們只保留了用戶名、時(shí)間、瀏覽地址等信息。

2、用戶識(shí)別

用戶識(shí)別，是將瀏覽者和訪問頁(yè)面相關(guān)聯(lián)的過程。從web日志數(shù)據(jù)信息中找出每個(gè)瀏覽者的訪問信息，避免web日志挖掘的重復(fù)性。目前，由于本地緩存、代理服務(wù)器和防火墻的存在，使得識(shí)別用戶的過程變得復(fù)雜。由于學(xué)院內(nèi)部采用統(tǒng)一代理IP上網(wǎng)，所以所有學(xué)員的IP地址都是一樣的，由于網(wǎng)站采用學(xué)號(hào)注冊(cè)登錄，因此識(shí)別學(xué)員信息非常簡(jiǎn)單。通過表1我們可以直觀的得出有三個(gè)學(xué)員在訪問。訪問路徑分別是首頁(yè)－視頻－習(xí)題－首頁(yè)－資源，首頁(yè)－在線答疑－首頁(yè)－資源和首頁(yè)－習(xí)題－首頁(yè)－資源。如下表1所示。

表1 原始日志信息（截取部分信息）

3、會(huì)話識(shí)別

會(huì)話識(shí)別是指同一個(gè)瀏覽者在一段時(shí)間內(nèi)連續(xù)請(qǐng)求訪問的頁(yè)面進(jìn)行分析所得到的用戶會(huì)話。例如，時(shí)間跨度超過了規(guī)定的界限，則認(rèn)為是新的會(huì)話開始。會(huì)話識(shí)別的目的是將用戶的訪問序列分成單個(gè)的訪問序列，以便為web數(shù)據(jù)挖掘打下基礎(chǔ)。通過表1我們可以可將會(huì)話分為首頁(yè)－視頻－習(xí)題、首頁(yè)－在線答疑、首頁(yè)－習(xí)題－首頁(yè)－資源和首頁(yè)－資源四個(gè)會(huì)話。

4、補(bǔ)充路徑

補(bǔ)充路徑，指通過web日志數(shù)據(jù)推斷出讀取緩存網(wǎng)頁(yè)的情況。由于客戶端緩存和代理服務(wù)器緩存，使得服務(wù)器的日志通常會(huì)遺漏一些重要的頁(yè)面請(qǐng)求。用戶瀏覽頁(yè)面時(shí)很可能使用瀏覽器的前進(jìn)和后退按鈕，或者使用一個(gè)曾經(jīng)點(diǎn)擊過的鏈接，導(dǎo)致當(dāng)前請(qǐng)求的頁(yè)面與上一次請(qǐng)求的頁(yè)面直接沒有超級(jí)鏈接。此時(shí)應(yīng)該根據(jù)用戶訪問路徑的前后頁(yè)進(jìn)行推斷，檢查引用web日志確定當(dāng)前請(qǐng)求來自哪一個(gè)頁(yè)面，并將遺漏的頁(yè)面補(bǔ)充在路徑里。通過表1的分析我們可以得出，資源頁(yè)面和習(xí)題頁(yè)面不能相互直接達(dá)到，而是通過了首頁(yè)作為中轉(zhuǎn)，形成完整的用戶會(huì)話。

(二)模式識(shí)別

模式識(shí)別，是對(duì)預(yù)處理后的web日志數(shù)據(jù)用數(shù)據(jù)挖掘算法來分析處理數(shù)據(jù)，也就是對(duì)用戶的每一次訪問序列集合進(jìn)行語(yǔ)義分組，分割成多個(gè)邏輯單元，為每個(gè)用戶建立有意義的數(shù)據(jù)聚集，然后把處理結(jié)果轉(zhuǎn)化為適合web日志挖掘所需的形式。

(三)模式分析與應(yīng)用

模式分析的目的在于使用各種數(shù)據(jù)挖掘技術(shù)，發(fā)掘出隱藏在數(shù)據(jù)背后的規(guī)律和通用的模式。通過對(duì)原始數(shù)據(jù)做分析，找出用戶的瀏覽規(guī)律，為網(wǎng)站的規(guī)劃和網(wǎng)站結(jié)構(gòu)的調(diào)整提供具體理論依據(jù)。通過對(duì)圖2和表1的分析，我們可以看到，學(xué)員在訪問視頻頁(yè)面的同時(shí)，大部分會(huì)同時(shí)訪問習(xí)題頁(yè)面，這樣我們就可以在學(xué)員下次打開視頻頁(yè)面的時(shí)候，同時(shí)推薦相應(yīng)的習(xí)題資源，以便更好的為學(xué)員的學(xué)習(xí)開展針對(duì)性的教學(xué)。

四、結(jié)束語(yǔ)

現(xiàn)在web日志挖掘已經(jīng)成為網(wǎng)絡(luò)研究、數(shù)據(jù)挖掘、個(gè)性化推薦等領(lǐng)域的熱點(diǎn)問題。研究web日志挖掘?qū)τ趦?yōu)化web站點(diǎn)、個(gè)性化學(xué)習(xí)、信息檢索等領(lǐng)域，都有著十分重要的意義。本文簡(jiǎn)要的介紹了web日志挖掘?qū)τ趥€(gè)性化網(wǎng)站建設(shè)中的應(yīng)用。如何將這些技術(shù)深入、完善，并盡快運(yùn)用到網(wǎng)絡(luò)中，還需要進(jìn)一步的研究。

[1]王麗娜.Web日志挖掘技術(shù)研究.光盤技術(shù)[J].2008,(4).

[2]高哲，魏海平，王福威，趙曉碧.基于Web日志挖掘的Web文檔聚類[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008,(9).

[3]Richard J.Roiger，Michael W.Geatz.數(shù)據(jù)挖掘教程[M].北京:清華大學(xué)出版社，2003.

[4]李珊，袁方.基于Web日志挖掘的頁(yè)面興趣度方法的改進(jìn)[J].計(jì)算機(jī)時(shí)代，2007,(3).

TP393.18

A

1671-5993（2011）01-0065-02

2010-03-08

肖宏飛（1983-），男，安徽蚌埠人，合肥工業(yè)大學(xué)在讀研究生，滁州職業(yè)技術(shù)學(xué)院教師。