Web 日志挖掘中的会话识别方法研究.pdfVIP

第22卷 第4期 计 算 机 技 术 与发 展 Vo1．22 No．4 Apr． 2012 2012年 4月 COMPUTER TECHNOLOGY AND DEVELOPMENT Web日志挖掘中的会话识别方法研究 顾兆军，李晓红，王 伟，黄杰培 (中国民航大学计算机学院，天津300300) 摘 要 ：数据预处理是Web日志挖掘的首要环节，而会话识别是数据预处理中的关键步骤之一。为了更好地实现会话识 别、提高会话识别的真实度，从而为后续的模式挖掘工作提供精确的挖掘数据，文中在分析 了现有常用 的会话识别方法 后，提出了优化初始会话集的方法。在该方法中，首先初始会话集的产生采用传统的基于访问时间的方法，然后对初始会 话集进行合并和断开操作，生成优化的会话集。最后 ，采用实验实现了该方法。实验结果表 明会话质量得到了提高。 关键词 ：Web日志挖掘；数据预处理；会话识别 ；会话重组 ；访问时间 中图分类号：TP31 文献标识码：A 文章编号：1673-629X(2012)04—0045—05 ResearchonM ethodofSession IdentificationinW ebLogM ining GUZhao-jun，LIXiao—hong，WANGWei，HUANGJie—pei (DepartmentofCompumrScienceandTechnology，CivilAviationUniversityofChina，Tianjin300300，China) Abstract：DatapreprocessingisthefirstimportantinhteprocessofW eblogmining．Athtesametime，sessionidentificationplaysakey roleindatapreprocessing．Tobetterrealizesessionidentificationandpmpareforsequentialwork，propo seanew methodmakinguseof accesstimenadesssionreconstruction．Inhtismehtod ，hteinitialsessionestsalegeneratedbasde onhteaccesstime．Then，htequalityof sessionestsareoptimi zedusingamehtod ofesssionreconstruction，htatis，amehtodofunionnadrupture．Atlast，themehtodstudide is carride out，andexperimentalresultsillustratehtatthequalityofsessionidentificationismoreeffi cient． Keywords：Weblogmining；daat preprocessing；sessionidentification；esssionreconstruction；visittime O 引 言 种 ：CLF(通用 日志格式)、ECLF(扩展的通用 日志格 Web信息具有复杂、多样性的特点，对 Web信息 式)和ExLF(W3C的扩展 日志文件格式) 。 的挖掘属于数据挖掘的范畴。Web数据挖掘就是从 由于Web日志挖掘的数据是半结构化，甚至是无 Web相关资源和用户对站点的访问信息中，发掘用户 结构的数据，不同于数据挖掘的对象是结构化的数据 可能感兴趣的潜在信息和有意义的浏览模式。按照挖 库数据 ，但依然遵循数据挖掘的研究思路。Web日志 掘对象