Ｗｅｂ數(shù)據(jù)挖掘技術(shù)

1、數(shù)據(jù)挖掘技術(shù)    摘要 隨著Internet的發(fā)展，Web數(shù)據(jù)挖掘有著越來越廣泛的應(yīng)用,Web數(shù)據(jù)挖掘是數(shù)據(jù)挖掘技術(shù)在Web信息集合上的應(yīng)用。本文闡述了Web數(shù)據(jù)挖掘的定義、特點和分類，并對Web數(shù)據(jù)挖掘中使用的技術(shù)及應(yīng)用前景進(jìn)行了探討。 關(guān)鍵詞 數(shù)據(jù)挖掘Web挖掘路徑分析電子商務(wù) 一、引言 近年來，數(shù)據(jù)挖掘引起了信息產(chǎn)業(yè)界的極大關(guān)注，其主要原因是存在大量數(shù)據(jù)，可以廣泛使用，并且迫切需要將這些數(shù)據(jù)轉(zhuǎn)換成有用的信息和知識。數(shù)據(jù)挖掘是面向發(fā)現(xiàn)的數(shù)據(jù)分析技術(shù)，通過對大型的數(shù)據(jù)集進(jìn)行探查。可以發(fā)現(xiàn)有用的知識，從而為決策支持提供有力的依據(jù)。 Web目前已成為信息

2、發(fā)布、交互和獲取的主要工具,它是一個巨大的、分布廣泛的、全球性的信息服務(wù)中心。它涉及新聞、廣告、消費信息、金融管理、教育、政府、電子商務(wù)和其他許多信息服務(wù)。面向Web的數(shù)據(jù)挖掘就是利用數(shù)據(jù)挖掘技術(shù)從Web文檔及Web服務(wù)中自動發(fā)現(xiàn)并提取人們感興趣的、潛在的有用模型或隱藏的信息。 二、概述 1.數(shù)據(jù)挖掘的基本概念 數(shù)據(jù)挖掘是從存放在數(shù)據(jù)庫、數(shù)據(jù)倉庫、電子表格或其他信息庫中的大量數(shù)據(jù)中挖掘有趣知識的過程。數(shù)據(jù)挖掘基于的數(shù)據(jù)庫類型主要有: 關(guān)系型數(shù)據(jù)庫、面向?qū)ο髷?shù)據(jù)庫、事務(wù)數(shù)據(jù)庫、演繹數(shù)據(jù)庫、時態(tài)數(shù)據(jù)庫、多媒體數(shù)據(jù)庫、主動數(shù)據(jù)庫、空間數(shù)據(jù)庫、遺留數(shù)據(jù)庫、異質(zhì)數(shù)據(jù)庫、文本型、Internet 信息庫以

3、及新興的數(shù)據(jù)倉庫等。 2.Web數(shù)據(jù)挖掘 Web上有少量的數(shù)據(jù)信息，相對傳統(tǒng)的數(shù)據(jù)庫的數(shù)據(jù)結(jié)構(gòu)性很強，即其中的數(shù)據(jù)為完全結(jié)構(gòu)化的數(shù)據(jù)。Web上的數(shù)據(jù)最大特點就是半結(jié)構(gòu)化。所謂半結(jié)構(gòu)化是相對于完全結(jié)構(gòu)化的傳統(tǒng)數(shù)據(jù)庫的數(shù)據(jù)而言。由于Web的開放性、動態(tài)性與異構(gòu)性等固有特點，要從這些分散的、異構(gòu)的、沒有統(tǒng)一管理的海量數(shù)據(jù)中快速、準(zhǔn)確地獲取信息也成為Web挖掘所要解決的一個難點，也使得用于Web的挖掘技術(shù)不能照搬用于數(shù)據(jù)庫的挖掘技術(shù)。因此，開發(fā)新的Web挖掘技術(shù)以及對Web文檔進(jìn)行預(yù)處理以得到關(guān)于文檔的特征表示，便成為Web挖掘的重點。 三、Web數(shù)據(jù)挖掘分類 Web 數(shù)據(jù)有三種類型, 它們分別是:

4、HTML 標(biāo)記的Web 文檔數(shù)據(jù)、Web 文檔內(nèi)的廉潔的結(jié)構(gòu)數(shù)據(jù)和用戶訪問數(shù)據(jù), 相應(yīng)地,Web 數(shù)據(jù)挖掘可分為三類: 內(nèi)容挖掘(Web content mining) 、結(jié)構(gòu)挖掘(Web structure mining) 和用戶訪問模式挖掘(Web usage mining)。如下圖所示。 1.Web內(nèi)容挖掘 Web內(nèi)容挖掘是從文檔內(nèi)容或其描述中抽取有用信息的過程，Web內(nèi)容挖掘按實現(xiàn)方法分為兩大類：信息檢索（IR）方法和數(shù)據(jù)庫方法。且有兩種策略：直接挖掘文檔的內(nèi)容和在其他工具搜索的基礎(chǔ)上進(jìn)行改進(jìn)。 IR方法主要處理非結(jié)構(gòu)數(shù)據(jù)和Web中由HTML標(biāo)記的半結(jié)構(gòu)化數(shù)據(jù)。前者一般采用詞集方法，用

5、一組組詞條來表示無結(jié)構(gòu)的文本。后者主要利用傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)：如關(guān)聯(lián)規(guī)則、分類算法、演繹邏輯和規(guī)則學(xué)習(xí)等。 2.Web結(jié)構(gòu)挖掘 Web結(jié)構(gòu)挖掘是從Web組織結(jié)構(gòu)和鏈接關(guān)系中推導(dǎo)知識。挖掘頁面的結(jié)構(gòu)和Web結(jié)構(gòu)，可以用來指導(dǎo)對頁面進(jìn)行分類和聚類，找到權(quán)威頁面、中心頁面，從而提高檢索的性能。同時還可以用來指導(dǎo)頁面采集工作，提高采集效率。Web結(jié)構(gòu)挖掘可以分為Web文檔內(nèi)部結(jié)構(gòu)挖掘和文檔問的超鏈接結(jié)構(gòu)挖掘。 Web結(jié)構(gòu)挖掘的基本思想是將Web 看作一個有向圖,他的頂點是Web頁面,頁面間的超鏈就是圖的邊。然后利用圖論對Web 的拓?fù)浣Y(jié)構(gòu)進(jìn)行分析。常見的算法有HITS (Hypertext Induc

6、ed Topic Search), PageRank,發(fā)現(xiàn)虛擬社區(qū)的算法、發(fā)現(xiàn)相似頁面的算法、發(fā)現(xiàn)地理位置的算法和頁面分類算法。Web 結(jié)構(gòu)挖掘的算法一般可分為查詢相關(guān)算法和查詢無關(guān)算法兩類。查詢相關(guān)算法需要為每一個查詢進(jìn)行一次超鏈分析從而進(jìn)行一次值的指派;而查詢獨立算法則為每個文檔僅進(jìn)行一次值的指派,對所有的查詢都使用此值。HITS和PageRank分別是查詢相關(guān)算法和查詢獨立算法的代表。 3.Web訪問挖掘 Web訪問挖掘是從服務(wù)器端記錄的用戶訪問日志或從用戶的瀏覽信息中抽取感興趣的模式，通過分析這些數(shù)據(jù)可以幫助理解用戶隱藏在數(shù)據(jù)中的行為模式，做出預(yù)測性分析，從而改進(jìn)站點的結(jié)構(gòu)或為用戶提供

7、個性化的服務(wù)。 Web訪問挖掘一般分為兩種：一般訪問模式跟蹤和定制使用跟蹤。一般訪問模式跟蹤通過分析Web日志來理解用戶的訪問模式和傾向；定制使用跟蹤分析單個用戶的偏好，根據(jù)其訪問模式為每個用戶定制符合其個人特色的Web站點。Web的log數(shù)據(jù)包括：senrer log，proxy serverlog，client端的cookie log等。Web使用記錄挖掘通常需要經(jīng)過三個階段:數(shù)據(jù)預(yù)處理階段(主要包括數(shù)據(jù)清洗和事物識別兩個部分):模式識別階段(采用統(tǒng)計法、機器學(xué)習(xí)等成熟技術(shù)從Web使用記錄中挖掘知識)：模式分析階段(采用合適的成熟的技術(shù)和工具進(jìn)行模式的分析，從而輔助分析人員理解使采用各種工

8、具挖掘出的模式得到很好利用)。對Web使用記錄挖掘采用的算法有：路徑分析、關(guān)聯(lián)規(guī)則和有字模式的發(fā)現(xiàn)、聚類分類等，為了提高精度，使用記錄挖掘也用到站點結(jié)構(gòu)和頁面內(nèi)容等信息。 四、Web數(shù)據(jù)挖掘中的關(guān)鍵技術(shù) Web數(shù)據(jù)挖掘中常用的技術(shù)有Web使用的特有的路徑分析技術(shù)，數(shù)據(jù)挖掘領(lǐng)域常用的關(guān)聯(lián)規(guī)則、序列模式、分類聚類技術(shù)等。 1.路徑分析技術(shù) 用路徑分析技術(shù)進(jìn)行Web數(shù)據(jù)挖掘時，最常用的是圖，因為Web可以用一個有向圖來表示，G=(V，E)，V是頁面的集合，E是頁面之間的超連接集合，頁面定義為圖中的頂點，而頁面之間的超連接定義為圖中的有向邊。頂點v的入邊表示對v的引用，出邊表示v引用了其他的頁面，這樣

9、形成網(wǎng)站結(jié)構(gòu)圖，從圖中確定最頻繁的訪問路徑。 2.關(guān)聯(lián)規(guī)則挖掘技術(shù) 關(guān)聯(lián)規(guī)則挖掘技術(shù)主要用于從用戶訪問序列數(shù)據(jù)庫的序列項中挖掘出相關(guān)的規(guī)則，就是要挖掘出用戶在一個訪問期間(SESSION)，從服務(wù)器上訪問的頁面文件之間的聯(lián)系，這些頁面之間可能并不存在直接的參引(RIFERENCE)關(guān)系最常用的是用APRIOR算法，從事務(wù)數(shù)據(jù)庫中挖掘出最大頻繁訪問項集，這個項集就是關(guān)聯(lián)規(guī)則挖掘出來的用戶訪問模式。 3.序列模式挖掘技術(shù) 序列模式數(shù)據(jù)挖掘就是要挖掘出交易集之間的有時間序列關(guān)系的模式它與關(guān)聯(lián)挖掘技術(shù)都是從用戶訪問下的日志中尋找用戶普遍訪問的規(guī)律，關(guān)聯(lián)挖掘技術(shù)更注重事務(wù)內(nèi)的關(guān)系，序列模式技術(shù)則注重事務(wù)

10、間的關(guān)系。 4.聚類分類技術(shù) 分類規(guī)則可以挖掘出某些共同的特性，這個特性可以用來對新添到數(shù)據(jù)庫里的數(shù)據(jù)項進(jìn)行分類。在Web數(shù)據(jù)挖掘中，分類技術(shù)可以根據(jù)訪問這些用戶而得到的個人信息或共同的訪問模式得出訪問某一服務(wù)器文件的用。特征。聚類技術(shù)則是對符合某一訪問規(guī)律特征的用戶進(jìn)行用戶特征挖掘。最后進(jìn)行模式分析，挖掘出人們可理解的知識的模式解釋。 五、Web數(shù)據(jù)挖掘的應(yīng)用 隨著中國經(jīng)濟(jì)的高速發(fā)展，數(shù)據(jù)挖掘?qū)⒃谥袊纬梢粋€產(chǎn)業(yè)，目前Web數(shù)據(jù)挖掘已廣泛地應(yīng)用于金融業(yè)、遠(yuǎn)程通訊業(yè)、政府管理、制造業(yè)、醫(yī)療服務(wù)以及體育事業(yè)中,基于Web的數(shù)據(jù)挖掘技術(shù)已經(jīng)成為一個熱點,下面主要介紹Web數(shù)據(jù)挖掘的三個應(yīng)用前景。

11、1.在電子商務(wù)中的應(yīng)用 在電子商務(wù)中，運用Web挖掘技術(shù)從服務(wù)器和瀏覽器端日志記錄中自動發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式信息，對此進(jìn)行分析加工，通過對客戶進(jìn)行分類和聚類，從中可得到商家用于向特定消費群體或個體進(jìn)行定向營銷的決策信息。了解系統(tǒng)的訪問模式以及用戶的行為模式，從而做出預(yù)測性分析。同時有效地對這些Web日志進(jìn)行定量分析，提示其中的關(guān)聯(lián)關(guān)系、時序關(guān)系、頁面類屬關(guān)系、客戶類屬關(guān)系和頻繁訪問路徑、頻繁訪問頁面等，從而為企業(yè)更有效地確認(rèn)目標(biāo)市場、改進(jìn)決策獲得更大的競爭優(yōu)勢提供幫助。 2.在搜索引擎中的應(yīng)用 利用Web數(shù)據(jù)挖掘技術(shù)，通過對網(wǎng)頁內(nèi)容的挖掘，可實現(xiàn)對網(wǎng)頁的聚類和分類，實現(xiàn)網(wǎng)絡(luò)信息的分類瀏覽與檢索；運用網(wǎng)絡(luò)內(nèi)容挖掘技術(shù)改進(jìn)關(guān)鍵詞加權(quán)算法，提高網(wǎng)絡(luò)信息的標(biāo)引準(zhǔn)確度，從而改善檢索效果；通過對用戶所使用的提問式的歷史記錄的分析，可以有效地進(jìn)行提問擴(kuò)展，提高用戶的檢索效率。 3.在網(wǎng)站設(shè)計中的應(yīng)用 在網(wǎng)站建設(shè)中，使用Web挖掘通過對網(wǎng)站內(nèi)容的挖掘，可有效地組織網(wǎng)站信息，例如采用自動歸類技術(shù)實現(xiàn)網(wǎng)站信息的層次性組織;分析用戶的Web訪問行為，可為用戶提供智能化、個性化服務(wù)。比如,可根據(jù)客戶的訪問興趣、訪問頻度、訪問時間，動態(tài)地調(diào)整頁面結(jié)構(gòu),迎合每個客戶的瀏覽興趣,使客戶在瀏覽時感覺自己是網(wǎng)站的惟一客戶;