關(guān)于Frame頁面網(wǎng)絡日志數(shù)據(jù)挖掘預處理方法的論文
摘 要
本文結(jié)合網(wǎng)絡日志數(shù)據(jù)挖掘技術(shù)，通過對Frame頁面和SubFrame頁面進行分析，提出基于改進的Frame頁面數(shù)據(jù)挖掘預處理方法。該方法從SubFrame頁面信息著手，從而提高預處理過程中的信息識別能力。實驗表明，該方法在網(wǎng)絡日志的數(shù)據(jù)挖掘預處理過程中，有效提高了信息的精準度。
【關(guān)鍵詞】數(shù)據(jù)挖掘 Frame頁面 SubFrame頁面
1 引言
隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，簡單的信息搜索技術(shù)已經(jīng)不能滿足現(xiàn)階段網(wǎng)絡信息獲取的需求。網(wǎng)絡日志數(shù)據(jù)挖掘技術(shù)是結(jié)合網(wǎng)絡日志用戶的訪問行為規(guī)律、興趣需求等信息，加以分析，優(yōu)化網(wǎng)絡內(nèi)容與網(wǎng)絡文本文檔的組織結(jié)構(gòu)，以此提高網(wǎng)絡站點的競爭力。我們發(fā)現(xiàn)網(wǎng)絡日志記錄往往十分龐大，傳統(tǒng)的預處理方法，并不能很好解決日志頁面對站點組織結(jié)構(gòu)的影響。因此，進行網(wǎng)絡日志預處理方法的研究，具有一定的現(xiàn)實意義。
對于傳統(tǒng)的網(wǎng)絡日志的數(shù)據(jù)挖掘，預處理階段的Frame頁面和SubFrame頁面在用戶會話文件出現(xiàn)的概率很高，這就降低了會話識別的興趣度。因此，必須消除Frame頁面對網(wǎng)絡日志數(shù)據(jù)挖掘的影響。我們將Frame頁面以及其SubFrame頁面被看為一個整體，用Frame頁面代替通過會話文件尋找Frame頁面和Subframe頁面，并剔除多余的頁面，以提高日志數(shù)據(jù)挖掘的興趣性。
2 改進的'Frame頁面數(shù)據(jù)挖掘預處理方法
通過對Frame頁面過濾方法，結(jié)合實際情況分析，我們利用ID3決策樹算法，提出基于改進的Frame頁面過濾方法，以提高網(wǎng)絡日志數(shù)據(jù)挖據(jù)的效率。該方法如下：
輸入：FS表（pidframne ， pidsubframe）所對應的集合；集合屬性包括 {index.html，top.html，left.html，main.html，…}
輸出：判定策略
For each users session
{
currentframe=null
make_node（web）
if（（cerrenframe， pid， ∈FS） make_tree（currentframe，web_left）
Else if pid， ∈dom（FS）
{curremtframe pidi make_decition_tree（currentframe，web_left}
else make_decition-tree（currentframe，web_rleft
if attribute_list=null{make_decition_tree（currentframe，web_right）；}
else if（one ofattribute_list）>allgain
currentframe=test-attribute；
make_decition（ai，web_left）
Else generate_decision_tree（ai，web_right）
}
上述策略認為，訪問站點的頁面為根節(jié)點，具有信息增益最高的特征，currentframe變量記錄web當前頁面pidi。若當前頁面pidi不屬于frame頁面，則歸類左子樹，反之當前頁面pidi歸入右子樹。即pid，∈DOM（FS）。而frame頁面的subframe頁面歸類左子樹。這樣一來，frame頁面為決策樹右樹，subframe頁面為決策樹左樹，subframe頁面在會話識別階段得到保留，以便后續(xù)路徑補充。該方法優(yōu)化了站點的組織結(jié)構(gòu)，較好提升了網(wǎng)絡日志數(shù)據(jù)預處理效率。
3 實驗分析
我們通過Frame頁面過濾預處理方法實驗，驗證本文提出的改進方法。實驗提取700個日志所記錄的訪問頁面，共20萬條日志文件，結(jié)合本文提出的改進Frame頁面網(wǎng)絡日志數(shù)據(jù)挖掘預處理方法，與傳統(tǒng)頁面預處理方法進行對比測試。結(jié)果如表1所示。
在表1中，絕對支持度表示用戶頻繁訪問頁面的最小會話數(shù)，F(xiàn)Si表示用戶頻繁訪問頁面集合數(shù)，*為用戶不感興趣的頁面集，△表示頁面集是用戶感興趣的，△△表示頁面集用戶感興趣程度加強。實驗表明，改進Frame頁面過濾方法相比傳統(tǒng)方法，預處理結(jié)果得到提高，因此，網(wǎng)絡日志的數(shù)據(jù)挖掘效率得到加強。
4 小結(jié)
本文通過對網(wǎng)絡日志數(shù)據(jù)挖掘預處理技術(shù)進行分析，結(jié)合預處理過程中的實際情況，著重考慮SubFrame頁面剔除對站點組織結(jié)構(gòu)的影響，提出了改進的Frame頁面網(wǎng)絡日志數(shù)據(jù)挖掘預處理方法，實驗表明，該方法較好的提高了網(wǎng)絡日志數(shù)據(jù)挖掘的預處理精度和效率。
參考文獻
[1]方元康等.一種改進的Web日志會話識別方法[J].計算機技術(shù)與發(fā)展，2008，18（11）：214-216.
[2]朱明.數(shù)據(jù)挖掘[M].合肥：中國科技大學出版社，2008：13-56.
[3]朱志國等.持久偏愛的Web用戶訪問路徑信息挖掘方法[J].情報學報，2010，29（2）.
[4]凌海峰等.基于混合蟻群算法的web用戶會話聚類[J].計算機工程與應用，2013（22）.
[5]韓法旺.Web日志挖掘數(shù)據(jù)預處理過程研究[J].南京工業(yè)職業(yè)技術(shù)學院學報，2012（2）.
[6]凌海峰等.基于聚類的web用戶會話識別優(yōu)化方法[J].計算機應用研究，2012（8）.
【Frame頁面網(wǎng)絡日志數(shù)據(jù)挖掘預處理方法的論文】相關(guān)文章：
數(shù)據(jù)挖掘論文03-31
數(shù)據(jù)挖掘論文07-15
專利數(shù)據(jù)挖掘的論文06-12
網(wǎng)絡數(shù)據(jù)挖掘規(guī)劃論文04-03
大數(shù)據(jù)自動分析與數(shù)據(jù)挖掘探討的論文04-26