胡秀

摘要：隨著因特網(wǎng)的迅速發(fā)展，數(shù)據(jù)資源量越來越龐大，為從這些資源里迅速、準(zhǔn)確找到需要的知識(shí)，數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)而生。介紹了基于Web的數(shù)據(jù)挖掘技術(shù)，闡述了該技術(shù)的特征并分類作了介紹，對(duì)數(shù)據(jù)挖掘技術(shù)的幾大研究方向作了展望。

關(guān)鍵詞：Web；數(shù)據(jù)挖掘技術(shù)；XML

DOIDOI：10.11907/rjdk.143785

中圖分類號(hào)：TP392

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：16727800（2015）001014902

1 Web挖掘簡(jiǎn)述

數(shù)據(jù)挖掘指從隨機(jī)又模糊的龐大數(shù)據(jù)里，把那些潛在但很實(shí)用的信息、趨勢(shì)或模式提取出來。

被視為新興領(lǐng)域的Web挖掘，實(shí)質(zhì)是數(shù)據(jù)挖掘的升級(jí)版。Web信息有著極為特殊之處，這樣在數(shù)據(jù)挖掘上必須添加匹配的新特性。這些特性包含：①在挖掘?qū)ο笊希琖eb挖掘的數(shù)據(jù)源全部是異構(gòu)的；② Web文檔是機(jī)器理解不到或者沒有結(jié)構(gòu)、半結(jié)構(gòu)的語義。

2 Web挖掘特性

2.1 缺乏智能化理解

Web中的數(shù)據(jù)的格式幾乎都是HTML，與主題相關(guān)的信息往往雜亂地在Web站點(diǎn)的目錄下散布開來。因此，必須有非常強(qiáng)大的一個(gè)搜索引擎，通過對(duì)關(guān)鍵字查找，實(shí)現(xiàn)對(duì)超文本位置的定位。數(shù)據(jù)格式不盡相同，必須有一個(gè)智能化的系統(tǒng)對(duì)自然語言陳述的數(shù)據(jù)作理解。然而，當(dāng)下自然語言理解的有關(guān)技術(shù)還不成熟，所以很難對(duì)所有數(shù)據(jù)都理解到位。另外，數(shù)據(jù)源冗余或極為矛盾等問題也對(duì)此產(chǎn)生影響。

2.2 數(shù)據(jù)源過于龐大

Web對(duì)于有效的數(shù)據(jù)倉庫和數(shù)據(jù)挖掘而言似乎太大了[1]。目前在計(jì)算上，Web數(shù)據(jù)已經(jīng)達(dá)到用幾百兆字節(jié)來表示的地步，并朝著更大單位來表示的趨勢(shì)發(fā)展，有兩點(diǎn)特別明顯：

（1）動(dòng)態(tài)性強(qiáng)。因特網(wǎng)時(shí)時(shí)刻刻都在變化、更新中，于是需要借用某些數(shù)據(jù)倉庫技術(shù)，才能保留Web上已更新過的數(shù)據(jù)。

（2）多樣性。過濾后的Web數(shù)據(jù)包含4種：①以實(shí)型、整型為實(shí)例的數(shù)值型；②布爾型；③描述數(shù)據(jù)及分類數(shù)據(jù)；④郵箱地址、網(wǎng)址等僅為Web所有的數(shù)據(jù)型。新的數(shù)據(jù)類型有新的特征，原先的挖掘方式行不通，必須對(duì)原有方式作擴(kuò)充、改進(jìn)。

2.3 用戶目標(biāo)極為模糊

在基于因特網(wǎng)下作數(shù)據(jù)挖掘，用戶往往對(duì)挖掘主題認(rèn)識(shí)很粗淺，說不出特別準(zhǔn)確的目標(biāo)。因此，數(shù)據(jù)挖掘系統(tǒng)必須具備學(xué)習(xí)機(jī)制及智能化特征，對(duì)用戶的興趣不斷跟蹤，才能詳細(xì)、清晰地對(duì)挖掘結(jié)果做出闡述。它涵蓋Web的結(jié)構(gòu)、存取模式及動(dòng)態(tài)查找，由此表明Web挖掘極具挑戰(zhàn)性。

3 Web挖掘分類

3.1 基于內(nèi)容的Web挖掘

指在Web文件內(nèi)容、描述信息中，取得潛在但實(shí)用的知識(shí)、模式的過程，分為文本挖掘、多媒體挖掘。

（1）文本挖掘。特指對(duì)文本文檔的挖掘。在Web龐大文檔里，可對(duì)內(nèi)容作出分類別、總結(jié)、關(guān)聯(lián)性分析及趨勢(shì)分析等。

（2）多媒體挖掘。指對(duì)多媒體文檔的挖掘，即對(duì)Web上圖像、音視頻預(yù)處理，利用挖掘技術(shù)對(duì)有意義的、潛在信息及模式作挖掘的一個(gè)過程。提取特征不同是多媒體與文本挖掘最不一樣的地方。在挖掘時(shí)，對(duì)文件或者視頻的鍵值表、文件名、顏色向量及類型等進(jìn)行提取。

3.2 基于結(jié)構(gòu)的Web挖掘

在結(jié)構(gòu)上，Web包括超鏈接結(jié)構(gòu)、樹形結(jié)構(gòu)及目錄路徑結(jié)構(gòu)等[2]。這樣，在結(jié)構(gòu)上，可用有向圖對(duì)Web進(jìn)行表示，有向圖中點(diǎn)對(duì)應(yīng)的是頁面，有向圖中邊對(duì)應(yīng)的是超級(jí)鏈接。用此方法可得到站點(diǎn)的主頁到任一定點(diǎn)的最短路徑，也就是用較小代價(jià)獲取最多文檔。

（1）HITS算法。對(duì)一給定的話題進(jìn)行搜索，往往不只期望獲取相關(guān)聯(lián)的Web頁，還期望被檢索出的頁面質(zhì)量高且具權(quán)威性。而Web不只包含頁面，還包含超鏈接。超鏈接簡(jiǎn)單說就是一個(gè)頁面向另一個(gè)頁面指向。若作者先建立一個(gè)頁面，接著又讓該頁面向另一頁面指向，就可認(rèn)為作者對(duì)另一頁面持認(rèn)可態(tài)度。同一頁面，收集源自不同作者的不同注解，便能反映此頁面的重要性，而且可非常自然地用作權(quán)威頁面?？墒窃阪溄咏Y(jié)構(gòu)上，Web有一定的局限：①并非每個(gè)超鏈接都認(rèn)可此尋找；②商業(yè)競(jìng)爭(zhēng)中，不可能有Web頁面與自家競(jìng)爭(zhēng)的頁面指向；③難有權(quán)威頁面具備特別性描述。鑒于以上情形，研究者不得不提出另一種Web頁面（俗名Hub頁面）。一個(gè)Hub頁面可代替一個(gè)或多個(gè)Web頁面，提供的是集合性鏈接。同時(shí)，任何話題，Hub頁面都向著最顯眼的鏈接指向。

（2）PageRank算法。Web超鏈接有下列幾種假設(shè)：①網(wǎng)頁A的作者向網(wǎng)頁B推薦；②網(wǎng)頁A、B在主題相同時(shí)，超鏈接便把兩個(gè)網(wǎng)頁連接；③基于前兩種，某頁面數(shù)次被引用，說明此頁面也許特別重要；④某頁面雖然未被數(shù)次引用，但卻被某重要頁面引用，說明它也很重要。此算法便是針對(duì)上述4種情形做的專門研發(fā)。

3.3 基于訪問的Web挖掘

網(wǎng)頁點(diǎn)擊數(shù)、瀏覽量、獨(dú)立IP 等是顯示網(wǎng)站訪問情形的核心指標(biāo)[3]?？杉?xì)致分析網(wǎng)站關(guān)聯(lián)的LOG文件，取得關(guān)系訪問情形的詳盡數(shù)據(jù)，這種挖掘歸屬于靜態(tài)訪問，這對(duì)完善網(wǎng)站極為有益。譬如：對(duì)訪問者來源細(xì)致分析，可使網(wǎng)站內(nèi)容更有針對(duì)性；對(duì)在不同時(shí)段訪問者人數(shù)的細(xì)致分析，可依據(jù)時(shí)段來更新，這種Web挖掘利用極為廣泛。不只是靜態(tài)研究，動(dòng)態(tài)訪問研究也很熱門。

4 Web挖掘研究方向

4.1 搜索引擎挖掘

當(dāng)下的搜索引擎幾乎全是基于關(guān)鍵字，搜出的文檔數(shù)量極大，高質(zhì)量的內(nèi)容卻極少。加上某些文檔跟話題是關(guān)聯(lián)的，但關(guān)鍵詞：找不出來，這就使得搜索結(jié)果不全面。針對(duì)這種情形，某些專家提出用概念層或多義字的辦法對(duì)文檔進(jìn)行搜索。

4.2 日志挖掘

對(duì)日志文件（Web服務(wù)器）細(xì)致分析，會(huì)發(fā)現(xiàn)用戶訪問網(wǎng)站所用的瀏覽模式，這對(duì)有效改進(jìn)網(wǎng)站提供了信息。信息包含：對(duì)系統(tǒng)設(shè)計(jì)作改進(jìn)、對(duì)導(dǎo)航功能作改善等。日志挖掘有3個(gè)階段：①預(yù)處理數(shù)據(jù)；②挖掘數(shù)據(jù)；③分析模式。由于存在代理服務(wù)器及防火墻，使得日志數(shù)據(jù)難以準(zhǔn)確，所以在第一階段便必須做用戶識(shí)別、數(shù)據(jù)凈化、路徑補(bǔ)充、會(huì)話識(shí)別工作。挖掘階段指依據(jù)語義，將用戶的會(huì)話作分割，形成一項(xiàng)項(xiàng)事務(wù)，利用挖掘算法，對(duì)識(shí)別結(jié)果作出規(guī)則、模式。

4.3 XML結(jié)合Web挖掘

4.3.1 XML簡(jiǎn)述

XML由萬維網(wǎng)協(xié)會(huì)設(shè)計(jì)，是特別為Web應(yīng)用服務(wù)做的一個(gè)分支[4]。XML是一種典型的中介標(biāo)識(shí)語言，它為結(jié)構(gòu)化資料提供對(duì)應(yīng)的格式。

半結(jié)構(gòu)化是Web數(shù)據(jù)所有特征中最顯著的一點(diǎn)，因?yàn)橹挥邪寻虢Y(jié)構(gòu)化對(duì)應(yīng)的抽取技術(shù)作為前提，才能面向Web做需求的數(shù)據(jù)挖掘。新生代的www環(huán)境把XML作為基礎(chǔ)，它可直接面向Web 數(shù)據(jù)。一方面兼容已有的Web應(yīng)用，另一方面對(duì)Web中的信息更好地交換、共享。XML可看作是半結(jié)構(gòu)化下的數(shù)據(jù)模型，所以它能把屬性（關(guān)系數(shù)據(jù)庫）與文檔描述一一對(duì)應(yīng)，實(shí)施模型抽取、精確查詢。

4.3.2 XML應(yīng)用

XML已經(jīng)成為正式規(guī)范[5]。開發(fā)時(shí)，XML格式可當(dāng)作數(shù)據(jù)標(biāo)記。在三層架構(gòu)情況下，用XML對(duì)數(shù)據(jù)處理是最好的方法。運(yùn)用XML，設(shè)計(jì)員不僅能對(duì)文字、圖形進(jìn)行創(chuàng)建，還可對(duì)數(shù)據(jù)樹、超鏈接結(jié)構(gòu)、樣式表、元數(shù)據(jù)等進(jìn)行構(gòu)建。

Web數(shù)據(jù)挖掘是非常復(fù)雜的一項(xiàng)技術(shù)，因XML的出現(xiàn)，使Web挖掘中遇到的問題迎刃而解。因?yàn)閄ML可以讓來源不同的結(jié)構(gòu)化數(shù)據(jù)輕松地結(jié)合在一起，讓不兼容的多樣數(shù)據(jù)庫搜索變成可能。由于XML具備靈活性、可擴(kuò)展性，因此對(duì)不同類型應(yīng)用軟件中的數(shù)據(jù)XML都能描述，從而對(duì)Web中的各種數(shù)據(jù)記錄也能描述；再加上XML下的數(shù)據(jù)全為自我描述，所以即使在內(nèi)部描述數(shù)據(jù)完全缺乏時(shí)，處理、交換一樣可實(shí)現(xiàn)。

4.4 未來趨勢(shì)

目前， Web挖掘研究處于初始階段，有價(jià)值的幾大研究方向是：①動(dòng)態(tài)更新；②Web知識(shí)庫維護(hù)；③內(nèi)在機(jī)制研究；④專注多媒體挖掘，研發(fā)出高效算法；⑤圖像、文本對(duì)應(yīng)的挖掘算法（結(jié)構(gòu)、半結(jié)構(gòu)下）；⑥搭建自組織網(wǎng)站時(shí)，對(duì)序列模式、關(guān)聯(lián)規(guī)則進(jìn)行細(xì)致研究。

參考文獻(xiàn)：

[1] 李澤文.基于Web的數(shù)據(jù)挖掘技術(shù)[J].現(xiàn)代計(jì)算機(jī)，2011，3（15）：5158.

[2] 陳二忠.基于Web的數(shù)據(jù)挖掘技術(shù)[D].沈陽：東北財(cái)經(jīng)大學(xué)，2012.

[3] 姜麗華.基于Web的數(shù)據(jù)挖掘技術(shù)[J].微機(jī)發(fā)展，2012，8（12）：3142.

[4] 史秦格.基于Web的數(shù)據(jù)挖掘技術(shù)研究[D].西安：西安工業(yè)大學(xué)，2012.

[5] 馬麗娜.基于Web的數(shù)據(jù)挖掘技術(shù)應(yīng)用[D].濟(jì)南：山東師范大學(xué)，2012.