Web日志与浏览行为结合下的用户浏览兴趣数据挖掘分析

针对用户浏览兴趣模式数据的收敛性和准确度不高的问题,提出一种基于Web日志与用户浏览行为结合的用户浏览兴趣模式数据挖掘模型。首先设计Web日志与用户浏览行为结合的用户浏览兴趣模式数据信息流模型,进行用户浏览兴趣模式的频繁项特征提取和Qo S预测;然后采用Web日志与用户浏览行为结合的行为调度模式自适应检索用户浏览网页的兴趣特征点,实现语义特征匹配,达到用户浏览兴趣模式数据挖掘的目的;最后通过仿真实验实现性能验证。结果表明,该方法的用户浏览兴趣特征点的匹配度高,数据挖掘精度得到提升,展示了优越性能。     

一种改进的基于浏览行为的用户兴趣模型

主要讨论并建立了一种改进的基于用户浏览行为的用户兴趣模型,模型中综合考虑了Web用户对页面的浏览行为、对页面关键词的感兴趣程度、用户的短期兴趣和长期兴趣。在.NET平台下实现了WIPISES演示系统,在系统中嵌入本文所提出的改进的用户兴趣模型。仿真实验结果表明:使用本文改进的用户兴趣模型进行信息检索,其搜索效果优于目前主流的搜索引擎,而且Web用户的偏好性越强,WIPISES系统的优势也就越显著。     

用户浏览页面预测的多阶HMM模型融合

预测用户的浏览页面是WWW上的一个重要的研究方向.提出了一种通过模糊积分融合多阶HMM(Hidden Markov Model)预测结果的用户浏览页面预测模型.该算法首先拓展了经典融合预测算法的先验信息空间.其方法是通过对不同用户浏览模式分类,建立1阶多Morkov链模型并以其训练结果为权重指标,而后通过模糊积分理论融合1～N阶HMM预测的结果.性能测试实验结果表明该模型预测准确率优于已有的用户浏览页面预测的多HMM融合方法.该方法可在Web站点管理、电子商务以及网页预取等领域广泛应用.     

基于多Markov链预测模型的Web缓存替换算法

为了提高web缓存的性能,提出了一种基于多Markov链预测模型的Web缓存替换算法PGDSF-AI.首先将Web中具有不同浏览特征的用户分为多类,为每一类用户建立类Markov链,进一步建立多Markov链预测模型.然后利用该模型对当前的用户请求预测,进而组成预测对象集.当缓存空间不足时,选取键值最小且不在预测对象集中的对象替换.通过估算对象的平均间隔时间,避免缓存大量保留长时间没有访问的对象.实验结果表明,提出的算法有较好的性能.     

用户搜索意图视角下的Web网页动态泛化研究

针对搜索情况来分析每位用户搜索信息的需求,而提出了基于用户搜索意图视角下的Web网页动态化的模型,主要就是为了搜索出的Web网页动态化建立关键词、文档格式等之间的层次,这样就可以根据每位用户访问提供搜索导航,但其并不是为了获取用户搜索的意图,而是为了建立用户搜索意图视角下的Web网页动态泛化。因此,文章主要针对用户搜索意图视角下的Web网页动态泛化研究而探讨的。经过探讨可以得出该模型是可以获取用户访问信息的意图。     

基于用户浏览行为度量浏览兴趣的研究

准确地度量用户浏览兴趣是Web使用模式挖掘的基础,本文针对Web使用模式挖掘,首先分析了已有的度量用户浏览兴趣方式的不足之处,提出了一种基于用户浏览行为度量用户浏览兴趣的方法。分析了现有Web使用模式挖掘的数据采集方式,提出了一种综合利用服务器日志文件和客户端数据获取用户浏览信息的方法,从用户浏览网站的数据中抽取感兴趣的模式,理解用户的浏览兴趣行为,以便进一步改善网站结构或为用户提供个性化的服务。     

基于用户行为的个性化搜索建模

目前的搜索算法普遍忽视了用户的兴趣行为,仅仅依靠表面的关键词来预测用户的搜索偏好,为用户提供系统"自认为"是用户所感兴趣的内容,没有更深层次地解剖用户的真实需求,没有依照用户长久以来的搜索习惯、搜索兴趣为用户定制一个个性化的搜索模型,为此,本文将提出一个针对用户行为的个性化搜索的模型,通过用户在浏览网站时候的浏览行为,例如:浏览该网页的时间、浏览网页的类型、在浏览网页时是否有进一步的行为,如:保存、复制等操作以此来丰富本文所提出的用户的个性化搜索模型,以求能够更准确地贴近用户的真实需要.     

基于用户特征的聚类方法在人机交互中的应用研究

随着网络技术飞速发展,对搜索引擎的要求也越来越高,然而对人机交互的的支持却没有充分体现出来。本文通过分析Web用户的不同检索需求,提出了以用户为中心的用户事务聚类方法,在聚类的相似性度量上,不仅考虑了用户在Web事务中对某页面的访问次数,还考虑了在该页面上的浏览时间。对用户查询请求不断进行修正后反复进行检索,从而有效提高了信息检索系统的精度和信息检索的协同工作能力,使得人机交互更加高效。     

智能搜索引擎中用户兴趣模型分析与研究

用户兴趣模型是智能搜索引擎系统中的重要组成部分。本文提出一种新的方法．以动态询问的方式建立初始用户兴趣模型，通过分析、学习用户浏览行为历史．动态更新用户兴趣模型，有效地解决了用户兴趣的自适应变化。     

基于Web的旅游产品推荐系统设计与研究

传统旅游产品推荐系统能够为用户推荐简单产品信息,但存在用户浏览意愿不强、满意度差、推荐商品购买率低的不足,提出并设计基于Web的旅游产品推荐系统。利用Web数据端对产品需求量进行数据采集;采用核心算法重新配置数据信息,通过SQL语言进行逻辑编辑,实现产品推荐模块设计;服务器将上述模块进行串联,实现基于Web的旅游产品推荐系统的设计。通过仿真实验结果表明,设计推荐系统具有较高的用户满意度,用户浏览意愿提升,推荐产品购买率得到提高。     

基于加权矩阵聚类的Web日志挖掘算法

Web服务器日志中记录了用户的浏览模式,为了从中提取出具有相似访问模式的用户群,对其提供个性化服务,提出一种针对Web日志的分析方法。通过构建UserID-URL关联矩阵,引入加权关联矩阵,提出一种基于加权矩阵的聚类算法——多标记传播算法。实验表明,该算法在Web日志挖掘中进行用户聚类和页面聚类是高效可靠的。     

基于DBP的Web用户行为分析关键技术

文章针对Web用户行为分析所面临的"无规范、智能性差"问题,提出基于动态行为轮廓库(DBP)的行为分析方法,从数据净化、用户识别、事务识别、用户行为模式匹配几方面进行详细阐述,建立基于DBP的Web用户行为分析模型。首次提出基于DBP的Web用户行为分析关键技术,采用网站黄页法和逆向搜索引擎法构建DBP,通过实验验证,此方法很好解决了Web用户行为分类问题,能很好应用到Web用户行为分析领域。     

基于行为延迟共享网络的个性化商品推荐方法

针对电商平台难以利用历史浏览行为进行个性化商品推荐的问题,该文提出了一种行为延迟共享网络模型(BDSN),充分结合历史浏览信息,对用户进行精准浏览推荐。该模型提出行为延迟门控循环神经单元(BDGRU),将历史浏览时间间隔作为用户活跃度因子,对神经元状态进行更新,用于计算用户的兴趣表示。为了提高向量表示的一致性,该模型提出共享参数网络,将用户侧和商品侧的表示向量收敛到统一空间,解决个性化商品推荐点击率预估问题。并在真实数据集上进行实验,结果表明,BDSN模型在验证集上的AUC指标和损失函数均处于最优,在测试集上的AUC指标相较基本模型提高37%,能够有效提升商品推荐的准确性。     

基于行为延迟共享网络的个性化商品推荐方法

针对电商平台难以利用历史浏览行为进行个性化商品推荐的问题,该文提出了一种行为延迟共享网络模型(BDSN),充分结合历史浏览信息,对用户进行精准浏览推荐.该模型提出行为延迟门控循环神经单元(BD-GRU),将历史浏览时间间隔作为用户活跃度因子,对神经元状态进行更新,用于计算用户的兴趣表示.为了提高向量表示的一致性,该模型提出共享参数网络,将用户侧和商品侧的表示向量收敛到统一空间,解决个性化商品推荐点击率预估问题.并在真实数据集上进行实验,结果表明,BDSN模型在验证集上的AUC指标和损失函数均处于最优,在测试集上的AUC指标相较基本模型提高37％,能够有效提升商品推荐的准确性.     

一种基于Web文本聚类的用户兴趣发现模型的研究

研究了一种基于Web文本聚类的用户兴趣发现方法．他通过Web文档信息获取，文本的形式表示，以及Web文本聚类方法最终提取用户兴趣知识，并给出了一个设计模型。     

基于行为分析的Web日志用户识别算法

文章提出了一种Web日志分析中数据预处理阶段用户识别的新算法。这种算法基于用户浏览行为的建模,能够很好地处理同一用户在不同地点上网情况下的用户识别问题。本算法通过归一化的支持度指标来选择最能代表用户浏览行为的行为模式,并用布尔编码的方式提取特征。用户间的相似度采用余弦相似方法计算,并利用KNN（K=I）的分类方法来识别用户。在特定构造的数据集上的实验表明文章提出的算法能够不依赖于IP信息识别用户并具有较好的识别率。     

基于机器学习技术的网站用户行为预测

针对网站中用户留存度、转化率和忠诚度较低的问题,文中以旅游网站为例,基于logistic回归的机器学习技术,提出一个旅游网站的访问用户行为预测模型。该模型对网站用户的行为数据集合进行预处理,按照固定的比例对数据集合进行分类,验证数据集的分类服从相同的统计分布。最后,建立使用logistic回归机器学习算法相应的模型,对网站用户的行为进行预测。预测结果表明,该模型可以比较准确地预估网站用户的行为。     

一种基于Web日志用户浏览模式的数据挖掘

Web日志中包含了大量的用户浏览信息,如何有效地从其中挖掘出用户浏览兴趣模式是一个重要的研究课题.本文研究了Web日志挖掘的机理,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.     

一种基于网页浏览行为的用户兴趣度计算方法

用户兴趣度的计算是个性化服务的核心,而用户浏览网页时的行为能反映用户的兴趣。文中着重分析保存页面、收藏页面以及网页浏览速度这三种网页浏览行为,且在此基础上结合用户兴趣衰减因子,提出一种新的基于网页浏览行为的用户兴趣的计算方法,并利用K-means算法将浏览的网页内容聚类成不同主题,最后基于这三种网页浏览行为和用户兴趣衰减因子计算用户主题兴趣度。实验结果表明,提出的用户兴趣度计算方法是有效的。     

基于用户浏览行为相似度的HTTP-Get Flood检测方法

基于页面请求的DDOS攻击比传统的海量报文攻击更具杀伤性且检测困难。传统的检测方法包括：特征检测,利用隐马尔科夫模型分析Web页面访问行为。相比明文解析与数学估计,提出了分析用户浏览行为相似性界定HTTP-GetFlood攻击,将用户浏览页面切换与浏览时间的比值表示用户浏览行为,不同用户利用这个表达式计算的浏览行为值很难相等。DDOS攻击爆发时,肉机行为高度一致,导致浏览行为值重复率偏高,当高于一定阀值时判断遭受DDOS攻击。