基于Web数据挖掘的用户浏览兴趣路径研究

使用Web日志与用户浏览行为相结合的方式对用户浏览兴趣模式进行挖掘。分别建立以访问次数、平均到网页中字符数的访问时间和拉动滑动条次数为元素值的矩阵,通过对矩阵进行路径兴趣度的计算得到兴趣子路径,进行合并生成用户兴趣路径集。实例分析表明该算法是可行和有效的,对于电子商务网站的优化和实施个性化服务具有意义。

从Web日志中挖掘用户兴趣路径算法改进

引入一种挖掘用户兴趣路径的算法,并对其进行有意义的改进。算法的主要思想是:首先利用Web日志建立以引用网页URL为行、浏览网页URL为列的两个网站访问矩阵,分别采用访问次数和平均到网页中字符数的访问时间为元素值。然后,通过对矩阵进行路径兴趣度计算得到兴趣子路径,最后进行合并生成用户兴趣路径集。

一种面向有环兴趣路径的过程内剖析方法

路径剖析技术用于获取和分析程序中各条路径的执行次数.路径剖析采用在待剖析程序中插装探针的方式以跟踪执行,并使用对路径进行编码的方式以高效地获取剖析结果.选择性剖析是针对用户感兴趣的一部分路径,在非选择性剖析技术的基础上进行优化,以尽可能低的耗费来完成剖析.现有的选择性剖析技术采用的优化措施局限于减少探针数目和压缩路径编码空间,而且其允许的用户兴趣路径局限于无环路径.文中提出了一种新的选择性剖析方法 PSP(Profiling Selected Paths),可以精确的剖析带有循环的兴趣路径,并使用了在执行过程中对非兴趣路径进行检测和提前终止的技术来降低耗费.理论分析和实验评估表明PSP方法能够精确地剖析兴趣路径,并使用兴趣路径来提升剖析效率.

一种基于INT的用户浏览兴趣路径挖掘算法

用户浏览兴趣模式挖掘,简单地认为用户感兴趣的浏览路径即访问频率比较高的路径,是不准确的。路径的访问频率与其在网站拓扑结构中的位置有很大关系。充分考虑用户在页面上的浏览速率和在路径选择上表现出来的浏览兴趣,同时考虑算法的时间效率,提出了一种基于用户浏览兴趣树(INT)的用户浏览兴趣路径挖掘算法。实验表明,该算法的准确性较高,运行时间短,可扩展性较强,适用于大型Web站点。

基于改进蚁群算法的用户有效浏览兴趣路径挖掘

从Web日志中挖掘用户浏览兴趣路径,对于网站重构和产品推荐等商业用途具有重要意义。传统的挖掘算法一般基于用户访问频度,并不能真正体现用户的兴趣点。访问时间是一个能反应用户浏览兴趣的重要因素,用预设的访问时间阈值剔除无效数据,得出有效访问时间。本文对蚁群算法加以改进,用浏览频度和权值因子作为兴趣函数,有效访问时间因子作为信息素函数,提出有效-兴趣度的概念。对算法进行具体模拟,结果表明,本文提出的挖掘算法比传统的算法更能体现用户的浏览兴趣。

过程间循环兴趣路径剖析方法

提出一种新的过程间循环路径选择性剖析方法 PISP,可以精确地剖析带有循环的过程间兴趣路径。该方法是将PIP和PSP方法相结合,在过程间采用PSP生成相应的PCCG图,之后在过程内使用PIP方法来进行剖析。理论分析和实验评估表明PISP方法能够精确地剖析过程间循环兴趣路径并使用兴趣路径来提升剖析效率。

基于用户浏览兴趣的路径发现模型的探究

频繁浏览模式发现是模式发现的一种主要的方法,关键技术难点是如何根据用户的浏览行为、浏览兴趣发现用户的兴趣浏览模式。提出了一种根据用户的兴趣和喜好,挖掘出用户兴趣路径浏览模型和算法,使web服务器能更快的反馈信息,为用户提供更好的信息服务。

基于用户兴趣的Web日志挖掘算法

为有效地从Web日志中挖掘出用户访问模式,在分析用户访问行为的基础上,充分考虑用户在路径选择及在页面浏览中表现出的兴趣,提出了路径选择兴趣度以及页面浏览兴趣度的概念。设计了路径选择兴趣矩阵和页面浏览兴趣矩阵,并基于两个矩阵,设计了浏览兴趣路径挖掘算法。该算法先通过对两个矩阵进行路径兴趣度计算得到所有的浏览兴趣子路径,然后进行子路径合并生成浏览兴趣路径。实验表明了该算法的有效性。

学习兴趣研究进展分析

学习兴趣在学生的学习中具有激发求知欲、促进个性和创造性发展的作用。随着认知心理学和学习科学的进一步发展,加强对学生学习兴趣的研究,分析学习兴趣产生的根源和路径,了解近20年来西方学习兴趣研究发展现状,掌握学生学习兴趣发展走向与学生发展观的关系,应成为当今学习科学领域的一项重要课题。

网络号百用户兴趣模型挖掘算法

为了实现在线推荐信息服务,要对网络号百用户的访问行为进行分析,获取用户访问聚类模型,从而在聚类模型的基础上进行在线推荐。介绍获取用户访问路径信息的方法,对用户访问路径信息建立相似度矩阵,基于相似度矩阵改进K-means算法,据此进行用户模型聚类,给出分析案例,并说明算法实现过程。

基于LQN模型的租户兴趣浏览路径挖掘

面向云计算环境中多租户应用的租户个性化服务需求,从多租户应用日志记录挖掘出租户兴趣浏览路径受到关注。针对传统的以浏览频度为主体的网络拓扑图研究问题,为了更好地找出租户在云平台网站上的兴趣网页,挖掘租户的兴趣浏览路径,综合租户对网页的浏览时长、接收字节数和浏览频度等多个要素定义租户兴趣度,构造租户执行图,纠正路径交叉状况以消除租户执行图中存在的多余路径,对循环路径中的对等节点进行整合以消除循环嵌套,给出了一种基于分层排队网(layered queue network,LQN)模型的租户兴趣浏览路径挖掘方法,在此基础上,借助广度优先遍历(breadth first search,BFS)算法进行挖掘。实验证明,改造后的LQN模型在租户兴趣浏览路径挖掘方面的效率有所提高。