Web日志中挖掘用户浏览模式的研究

研究了Web日志挖掘的机理 ,提出了使用频繁遍历路径作为用户浏览模式 ,并在分析挖掘频繁遍历路径的问题特征和对其进行形式化描述的基础上 ,进一步提出了一种在Web日志中挖掘频繁遍历路径的类Apriori算法 ,该算法能够正确、快速地从Web日志中抽取频繁遍历路径 .

基于N-gram的Web用户浏览模式分类算法研究

Web站点用户浏览模式自动分类可以更好地组织站点上的内容信息来满足不同用户的访问需求。Web使用挖掘技术已经在这项研究中得到了广泛的应用,但是集成Web内容挖掘的成果还不多见。本文首先给出了结合Web内容和使用挖掘技术的用户浏览模式分类的原型系统框架。系统中主要的过程是：对数据集中原始的Web服务器日志进行清理,使用Web使用挖掘技术从用户浏览会话中挖掘出有代表性的用户浏览模式,根据模式中每一个相关的页面内容抽取出一个N-gram集合,构建基于N-gram的用户浏览模式简档。最后本文对用户浏览会话作了分类实验分析,实验结果表明这个方法在N-gram=6,df=10%的情况下取得了较高的分类精确度。

基于WWW用户浏览模式的路径提示算法

提出了基于ＷＷＷ浏览模式而获得用户在当前文档中的超链相应于用户当前兴趣质量的思想。并给出了具体获得超链质量步骤和算法。将质量最好的超链推荐给用户就是简单高效的路径提示。

基于频繁链表-存取树的Web用户浏览模式挖掘算法

为了观察网络用户浏览行为以研究用户偏爱的浏览模式集和个人兴趣,本文采用频繁链表结合存取树的增量式结构,使用捕获的网络用户浏览轨迹构建、更新该结构并使用同类合并的思想挖掘该结构以获得用户偏爱浏览模式集。实验通过对比本算法与GSP算法在同一测试集上的更新和挖掘情况,证明本算法在准确度和效率上都大幅领先。同时,该算法也为后续的长期观察研究提供了理论基础。

基于FLaAT的模糊用户偏爱浏览模式的增量挖掘

挖掘用户偏爱的浏览模式就是从Web日志中发现多数用户偏爱的浏览路径。网页上的浏览时间被转换成一个模糊语言变量来体现网页上浏览时间的特征,最后从建立的包含所有用户浏览信息的FLaAT(Frequent Link and Access Tree)中挖掘增量式带有模糊语言变量的用户偏爱浏览模式。

以Web用户关联关系为属性的浏览模式聚类

在Web使用挖掘中,用户浏览模式的聚类结果有助于网站设计者理解Web用户的浏览特点和需要。设计了一种有效的Web浏览模式的聚类方法,网页是否被浏览及网页上的浏览时间反映了用户的浏览兴趣,它们被刻画成等长的用户浏览模式向量中的相应分量,此外,浏览模式之间的关系被刻画并被作为属性加入到该向量中,形成扩展的用户浏览模式向量,对这些向量使用粗糙k-均值法可对用户浏览模式进行有效的聚类。实例和实验分析说明,使用该方法的聚类结果更合理。聚类结果可用于个性化网站的设计。

模糊环境下的Web用户浏览模式的挖掘

提出加权支持度和加权偏爱度用来准确反映用户的访问兴趣.其中,专家给定网页的语言评估被刻画成相应的模糊语言变量,使用模糊模拟的方法把这些模糊语言变量转化成表示网页重要性的权重.为了避免用户重要浏览信息的丢失,建立包含所有用户浏览信息的频繁链表加存权树(FLAAT),并从中挖掘用户偏爱的浏览模式.此外网页上的浏览时间也是反映用户兴趣和偏爱的一个重要因素,它被表示成相应的模糊语言变量,因而所获得的带有模糊浏览时间的用户偏爱浏览路径更能反映用户的兴趣和偏爱.

利用改进的Apriori算法挖掘用户浏览网页模式

万维网不断发展,用户浏览网页等信息越来越多,而Web挖掘可以从这些信息中发现有用的信息,比如用户浏览网页的模式。Apriori算法是一种快速挖掘算法,是大多数关联规则算法的基础。本文在分析此算法的基础上提出改进算法,从而挖掘用户浏览网页模式。

基于模糊粗糙近似的web浏览模式的聚类

提出一种模糊的粗糙近似法用于对web日志中的用户浏览模式进行聚类.在聚类过程中,一个网页是否被访问反映了用户的浏览兴趣,一个网页上的浏览时间反映了用户浏览兴趣的程度,它被刻画成模糊语言变量以忽略时间值之间的细小差别.每个用户浏览模式被表示成等长的模糊向量的形式以表示该用户访问过的网页及网页上的浏览时间.最后使用粗糙近似的方法对这些表示用户浏览模式的模糊向量进行聚类.这种方法可以把具有相似浏览行为的用户聚成一类.

基于模糊模拟的加权偏爱浏览模式的挖掘

每个网页由不同的专家给出语义上的重要性评估,这些语义评估再被刻画成相应的模糊语言变量,通过模糊模拟的方法,这些模糊语言变量被转化成表示网页重要性的权重。此外,简单地认为用户的访问频度反映了用户的访问兴趣是不准确的,因此在提出的加权支持度和偏爱度概念的基础上,从建立的包含了所有用户浏览信息的FLaAT(Frequent Link and Access Tree)上,挖掘用户偏爱的加权浏览模式。试验证明该算法是行之有效的。

一种新的Web用户群体和URL聚类算法的研究

提出一个基于Web日志的Web用户群体和站点URL聚类算法.使用用户浏览行为描述和用户浏览时间离散化方法建立了Web站点的用户事务矩阵,并在此基础上对Web用户群体和站点URL进行聚类.由于在聚类过程中同时考虑了用户对URL的浏览时间和访问次数,使算法的精度和效率都大大提高.同时,该算法能较好地处理类间重叠问题,使算法具有较好的实用性.最后对算法的有效性和可伸缩性进行了研究.

基于用户信息浏览模式的信息流广告说服策略

不同于传统媒介中广告的嵌入背景相对固定,信息流广告嵌入在源源不断涌现的流媒体资讯之中,在此背景下用户不再是单一的认知状态,其认知状态会随着信息浏览场景的转变而发生动态转移.已有研究聚焦用户静态、稳定属性下的信息流广告说服,但对于用户动态信息浏览模式对信息流广告说服的影响效应及其内在机制的探究不足.基于自我决定理论,从用户动态信息浏览状态视角,探讨信息流广告说服风格(信息导向型或行为导向型)与用户信息浏览模式(行为强化或多样化寻求)的交互效应对于信息流广告说服效果的影响.研究1通过二手数据建模,对经过脱敏处理的142万多条信息流媒体平台浏览记录进行分析,检验信息流广告说服风格与用户信息浏览模式相匹配对信息流广告说服效果的影响.研究2通过两个实验室研究,在进一步验证主效应的基础上,检验匹配策略作用的内在机制.研究结果表明,当用户处于行为强化浏览模式时,信息流广告采用信息导向型说服风格说服效果更好,此时自我代理中介了二者的匹配对广告说服效果的影响;当用户处于多样化寻求浏览模式时,信息流广告采用行为导向型说服风格说服效果更好,此时外部代理中介了二者的匹配对广告说服效果的影响.研究结果从理论上突破了当前信息流广告研究仅关注用户静态属性的窠臼,验证了用户动态信息浏览状态对于信息流广告说服效果的影响,在实践上为信息流广告精准投放策略提供借鉴启示.

基于模糊粗糙k-均值的用户访问模式的聚类

Web用户访问过的网页以及在该网页上的浏览时间体现了用户的访问兴趣.为了更好的衡量任意两个用户访问模式之间的相似/相异度,每个用户访问模式都被转换成具有相等长度的模糊向量,其中每个元素要么是0要么是模糊语言变量,它体现了用户是否访问过该网页及在该网页上的浏览时间.由于类的边界可能是模糊的,因而使用粗糙k-均值法对这些代表用户浏览特征的模糊向量进行聚类.最后使用Davies-Bouldin指标来衡量聚类的效果.