趙靜

摘 要：針對(duì)高校的信息資源檢索的命中率低問(wèn)題提出了運(yùn)用Web使用記錄挖掘的高校圖書(shū)館搜索引擎。通過(guò)采用Web使用記錄挖掘技術(shù)和Clementine對(duì)高校圖書(shū)館網(wǎng)站的Web訪問(wèn)日志記錄進(jìn)行挖掘。在Web使用記錄挖掘流程中，提出一個(gè)基于用戶IP、登陸時(shí)間、網(wǎng)站的拓?fù)鋱D、引用網(wǎng)頁(yè)和Agent來(lái)識(shí)別出單個(gè)用戶的新算法，獲得有效提高識(shí)別用戶的實(shí)驗(yàn)結(jié)果。最后用路徑分析來(lái)挖掘模式，優(yōu)化網(wǎng)站結(jié)構(gòu)，從而提高高校圖書(shū)館搜索引擎的命中率。

關(guān)鍵詞：Web使用記錄挖掘； 搜索引擎； 路徑分析； 高校圖書(shū)館； 用戶識(shí)別

中圖分類號(hào)：TN911?34 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004?373X（2013）02?0001?05

0 引 言

高校圖書(shū)館使用數(shù)字技術(shù)進(jìn)行信息資源的組織和管理，能夠存儲(chǔ)海量的信息。高校圖書(shū)館的搜索引擎部分地解決了資源發(fā)現(xiàn)的問(wèn)題，但是它可能會(huì)返回給用戶成千上萬(wàn)檢索到的網(wǎng)頁(yè)，而其中很大一部分與用戶的要求無(wú)關(guān)，用戶不能快速、準(zhǔn)確地得到所需的有價(jià)值的信息。因此，運(yùn)用Web使用記錄挖掘的高校圖書(shū)館搜索引擎隨之產(chǎn)生。運(yùn)用Web使用記錄挖掘的高校圖書(shū)館搜索引擎是專門(mén)針對(duì)高校的信息資源進(jìn)行檢索的搜索引擎，是實(shí)現(xiàn)高校教學(xué)資源共享提高搜索命中率必不可少的工具，所以高校圖書(shū)館搜索引擎中Web使用記錄挖掘的應(yīng)用研究具有非常重要的科學(xué)意義和應(yīng)用價(jià)值。

Web使用記錄挖掘[1]是從用戶“訪問(wèn)痕跡”中獲取有價(jià)值的信息，是對(duì)Web上日志數(shù)據(jù)及相關(guān)數(shù)據(jù)的挖掘。Web使用記錄挖掘技術(shù)和工具可分為2大類：訪問(wèn)模式的追蹤和個(gè)性化的使用記錄的追蹤。一般的訪問(wèn)模式追蹤通過(guò)分析使用記錄來(lái)了解用戶的訪問(wèn)模式和傾向，以改進(jìn)站點(diǎn)的組織結(jié)構(gòu)；個(gè)性化的使用記錄追蹤則傾向于分析個(gè)別用戶的偏好，其目的是根據(jù)不同用戶的訪問(wèn)模式，為用戶提供定制的服務(wù)。其目的是預(yù)測(cè)用戶網(wǎng)上的行為，比較網(wǎng)站的實(shí)際使用與期望的差別，根據(jù)用戶的興趣調(diào)整網(wǎng)站結(jié)構(gòu)。通過(guò)Web使用記錄挖掘技術(shù)對(duì)高校圖書(shū)館網(wǎng)站的Web訪問(wèn)日志記錄進(jìn)行挖掘，挖掘出用戶訪問(wèn)模式、頻繁訪問(wèn)路徑等信息，從而優(yōu)化站點(diǎn)結(jié)構(gòu)、獲取和分析用戶需求信息、為用戶提供高校圖書(shū)館搜索引擎系統(tǒng)服務(wù)以及為圖書(shū)館管理層提供決策支持。

1 高校圖書(shū)館搜索引擎中Web使用記錄挖掘 流程分析

在高校圖書(shū)館系統(tǒng)中，運(yùn)用Web使用記錄挖掘的Web訪問(wèn)日志數(shù)據(jù)為核心分析高校圖書(shū)館搜索引擎系統(tǒng)。高校圖書(shū)館的日志文件采用SQL Server數(shù)據(jù)庫(kù)來(lái)完成相應(yīng)的挖掘操作，又用Clementine挖掘工具作以補(bǔ)充。

Clementine挖掘工具[2]是ISL公司開(kāi)發(fā)的數(shù)據(jù)挖掘工具平臺(tái)。Clementine結(jié)合Web使用記錄挖掘技術(shù)可以快速建立預(yù)測(cè)性模型，進(jìn)而應(yīng)用到高校搜索引擎系統(tǒng)中，幫助高校圖書(shū)館改進(jìn)圖書(shū)館搜索引擎系統(tǒng)的結(jié)構(gòu)，為讀者提供個(gè)性化服務(wù)。

整個(gè)高校圖書(shū)館搜索引擎系統(tǒng)提出了一套適合Web使用記錄挖掘的流程圖，根據(jù)這個(gè)流程圖，進(jìn)行數(shù)據(jù)收集，數(shù)據(jù)準(zhǔn)備，建立用戶興趣模型，模式挖掘等操作。如圖1高校圖書(shū)館搜索引擎中Web使用記錄挖掘的流程圖所示。

圖1 高校圖書(shū)館搜索引擎中Web使用記錄挖掘的流程圖

1.1 數(shù)據(jù)收集

用戶瀏覽信息被Web服務(wù)器自動(dòng)收集并保存在訪問(wèn)日志、引用日志和代理日志中?；诟咝D書(shū)館網(wǎng)站自身特點(diǎn)，主要研究Web訪問(wèn)日志。根據(jù)高校圖書(shū)館的Web服務(wù)器訪問(wèn)日志，通過(guò)訪問(wèn)路徑C：/WINDOWS/System32/LogFiles 收集需要的信息。Web訪問(wèn)日志記錄用戶訪問(wèn)信息。下面是一段收集的Web服務(wù)器訪問(wèn)日志：

#Software： Microsoft Internet Information Services 6.0

#Version： 1.0

#Date： 2012?05?21 07：06：45

#Fields： date time s?sitename s?ip cs?method cs?uri?stem cs?uri?query s?port cs?username c?ip cs（User?Agent） sc?status sc?substatus sc?win32?status

2012?05?21 07：06：45 W3SVC894523 192.168.16.86 GET /index.htm ? 80 ?192.168.16.80Mozilla/4.0+（compatible；

+MSIE+7.0；+Windows+NT+5.1；+Trident/4.0；+GTB6.6；

+.NET+CLR+2.0.50727；+360SE） 200 0 0

上述日志的數(shù)據(jù)包含的主要項(xiàng)的含義如下：

（1）date time：時(shí)間戳。

（2）s?sitename： 系統(tǒng)服務(wù)。

（3）s?ip： 被訪問(wèn)服務(wù)器的IP地址。

（4）cs?method： 客戶訪問(wèn)的方式，有GET和POST。

（5）cs?uri?stem： 請(qǐng)求文檔的URL，即所訪問(wèn)的頁(yè)面。

（6）cs?uri?query： URL查詢，用戶預(yù)進(jìn)行的查詢。

（7）s?port： 被訪問(wèn)服務(wù)器的端口。

（8）cs?username： 用戶ID，是在被訪問(wèn)頁(yè)面需要進(jìn)行用戶注冊(cè)時(shí)才有的。

（9）c?ip： 客戶主機(jī)的IP地址。

（10）cs（User?Agent）： 表示客戶機(jī)的瀏覽器類型、版本即所運(yùn)行的操作系統(tǒng)。

（11）sc?status： 返回碼。200代表成功，404代表找不到所請(qǐng)求的頁(yè)面。