Web日志挖掘数据预处理研究

维普资讯 http://www.cqvip.com Ｍｉｃｒｏｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　Ｖｏ１．２３，Ｎｏ．１０，２００７　技术交流　微型电脑应用　２００７年第２３卷第１０期　文章编号：１００７—７５７Ｘ（２００７）１０－－００５０－－０４　Ｗｅｂ日志挖掘数据预处理研究　夏成文，韩坚华，梁乘铭　摘要：在详细介绍ＥＬＦ日志文件格式的基础上定义了会话表，并对预处理过程中几个主要步骤进行深入讨论，总结已有　的各种处理手段提出新的改进方法，其中重点针对会话识别进行了改进并给出了新的算法。　关键字：Ｗｅｂ日志挖掘；数据预处理；用户识别；会话识别；事务识别；　中图分类号：ＴＰ３９１　文献标识码：Ａ　１引言　表１　Ｗ３Ｃ扩展日志格式部分域　域标识符　是否需要　描Ｗｅｂ日志挖掘对于个性化电子商务网站中改善网站结　前缀　述　构、发现用户行为特征具有重要的意义。它能够从服务器、浏　ｄａｔｅ　ＮＯ　动作发生时的日期　览器端的日志记录和用户的个人信息中自动发现隐藏在数据　ｔｉｍｅ　ＮＯ　动作发生时的时间　中的模式信息，了解系统的访问模式以及用户的行为模式，从　Ｉ　－ｐ　Ｙｅｓ　产生日志条目的服务器的ＩＰ地址　而作出预测性分析，进而合理建造网站及合理设计服务器，提　ＵＳｅｒｎａｍｅ　ＹｅＳ　通过身份验证的访问服务器的用户名　供快速有效的访问通道。　ｍｅｔｈｏｄ　Ｙｅｓ　客户端企图执行的动作（例如ＧＥＴ方法）　Ｗｅｂ日志挖掘分成四个阶段：数据预处理、模式发现、模　ｕｒｌ—ｓｔｅｍ　Ｙｅｓ　被访问的资源，例如Ｄｅｆａｕｌｔ　ａｓｐ　式分析、用户模式。Ｗｅｂ日志挖掘结果的可靠性和准确性在　ｒｅｆｅｒｒｅｒ　Ｙｅｓ　用户浏览的前一个网址，　很大程度上取决于来源数据（主要是ｗｅｂ日志数据　］，用户注　当前网址是从该网址链接过来的　册数据等）的准确性，因此，采用性能良好的数据预处理方法　ｕｓｅｒ——ａｇｅｎｔ　Ｙｅｓ　客户所用的浏览器　是ｗｅｂ使用分析的一个基本先决条件。　ｐｒｏｔｏｃｏｌ　Ｙｅｓ　使用的Ｉｎｔｅｒｎｅｔ协议，如ＨＴＴＰ，ＦＴＰ　１．１　ｗｅｂ日志文件　ｓｔａｔｕｓ　Ｙｅｓ　用ＨＴＴＰ或者ＦＴＰ术语所描述的动作状态　考虑到普遍性和代表性，本文那仅以ＩＩＳ服务器日志文　ｂｙｔｅｓ　Ｙｅｓ　传输的字节数　件［２］为例，讨论Ｗ３Ｃ扩展日志记录ＥＬＦ（Ｅｘｔｅｎｄｅｄ　Ｌｏｇ　Ｆｏｒ—　ｃ一：客户端｝ｓ一：服务器端｝ｒ一：远程服务器｝ｃｓ一：客户端　ｍａｔ）的基本格式。　到服务器端｝ｓｃ一：服务器端到客户端；ｓｒ一：服务器端到远程服务　个ＥＬＦ日志文件包括两种不同的记录类型。第一种记　器；ｒｓ一：远程服务器到服务器端｝ｘ一：应用。这些前缀与域指令行　一录类型是指令型记录，它包括日志文件内容的元数据。第二种　中的域标识符结合在一起，用于说明什么样的数据将写入日志。　下面是一个Ｗｅｂ服务器日志文件ＥＬＦ格式的例子：　记录类型是数据记录，包括被日志文件实际记录的数据域。　＃Ｓｏｆｔｗａｒｅ：Ｍｉｃｒｏｓｏｆｔ　Ｉｎｔｅｒｎｅｔ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｅｒｖｉｃｅｓ　６．０　日志文件中以“＃”开头的表示这一行是指令，这条指令　＃Ｖｅｒｓｉｏｎ：ｌ１　０　提供有关日志记录或关于日志文件本身的一些信息。有两条　＃Ｄａｔｅ：２００６—１２—０７　１０：２２：４５　指令是必需的，而且一定要在一个日志文件的开头出现，这两　＃Ｆｉｅｌｄｓ：Ｃ—ｉｐ　Ｄａｔｅ　Ｔｉｍｅ　ＣＳ—ｍｅｔｈｏｄ　ＣＳ－－ｕｒｉ—ｓｔｅｍ　ｓｃ－－ｓｔａｔｕｓ　条指令是Ｖｅｒｓｉｏｎ和Ｆｉｅｌｄｓ。下面给出Ｗ３Ｃ扩展日志常用格式　ｃｓ－－ｒｅｆｅｒｅｒ　ｃｓ—ｕｓｅｒ－－ａｇｅｎｔ　指令的使用：Ｖｅｒｓｉｏｎ：ＥＬＦ使用的版本；Ｆｉｅｌｄｓ：日志文件中　１７２．１６．２５５．２５５　７：４２：１５　ＧＥＴ／ｉｎｔｒｏ．ｈｔｍ　２００／ｄｅｆａｕｌｔ．ｈｔｍ　出现的空白域列表；Ｓｔａｒｔ—Ｄａｔｅ：日志开始的日期和时间；　Ｍｏｚｉｌｌａ４．２（ＩＥ５．０。ｗｉｎＮＴ）　Ｅｎｄ－－Ｄａｔｅ：日志结束日期和时间；Ｄａｔｅ：在日志中加入条目的　１．２数据预处理过程　时间；Ｒｅｍａｒｋ：软件或管理软件人员在日志中的注释部分。　对ｗｅｂ日志数据进行预处理，其处理流程如图２所示：　ＥＬＦ确定的日志格式可以被定义成一个域的集合，而不　数据预处理处理流程［３　大致可以分为数据清洗、用户识　是定义一种固定的格式。很多域的前面需加上前缀。下面列出　别、会话识别、补全路径和事务识别５个步骤：　了Ｗ３Ｃ扩展日志格式的可用域前缀：　（１）数据清洗：主要是对数据源中与数据挖掘不相关的　作者简介：夏成文，广东工业大学计算机学院，广州５１０００６　韩坚华，广东工业大学计算机学院，广州　５１０００６　粱乘铭，广东工业大学计算机学院，广州　５１０００６　・５０・　维普资讯 http://www.cqvip.com Ｍｉｃｒｏｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　Ｖｏ１．２３，Ｎｏ．１０，２００７　技术交流　微型电脑应用　２００７年第２３卷第１０期　冗余数据删除，判断是否有重要的访问没有被记录、对用户　系，将文件中对Ｆｒａｍｅ和其Ｓｕｂｆｒａｍｅ页面的请求用Ｆｒａｍｅ页　访问页面时发生错误的记录进行处理等。　面代替，从而删除文件中多余的Ｓｕｂｆｒａｍｅ页面。　（２）用户识别：主要借助用户的注册信息、ＩＤ、用户端浏　２．２用户识别　览器软件或操作系统等信息，判定其是否为新用户。然后将　由于用户机器中缓存、防火墙、代理服务器的使用，使得　日志文件按不同的用户划分为若干个相互的用户访问集　Ｗｅｂ日志并没有精确记录用户的浏览行为，如对于多个用户　合；　通过同一代理服务器访问站点的情况，仅仅记录代理服务器　地址是无法有效识别用户的。而用户识别阶段的主要工作就　是从经过数据清理的数据中识别每一个用户　目前应用中的用户识别方法有很多，但比较使用和有效　的用户识别方法是：　（１）基于用户浏览器和操作系统的差异。通过相同ＩＰ地　址上网的用户，如果用户机器的浏览器和操作系统发生了变　化，那么日志文件中的相应记录说明访问用户也发生了变化，　因为很少有用户会频繁地更换机器的操作系统和浏览器。　（２）基于引用页进行判断［４］。如果用户请求的某个页面没　有请求过并且该条记录中的引用页为空，则认为这是一个新　的用户。也可以基于网站的拓扑结构进行判断，但是比较复　图２　Ｗｅｂ日志预处理模型　杂，在根据拓扑结构识别页与页之间的关系时，效率会降低。　（３）会话识别：会话是指同一个用户连续请求的页面，不　单独使用以上方法都有一定的局限性，准确率也不高。因　同用户访问的页面属于不同的会话，如果同一用户访问的页　此，本文综合以上两种种方法，进行双层过虑以提高用户识别　面跨越时间较长，一般认为用户的访问不止一次。会话识别　准确率。具体策略如下：　就是将用户访问记录划分成若干个的会话记录；　（１）首先判断用户的ＩＰ地址，不同的ＩＰ地址代表不同的　（４）补全路径：由于缓存等原因使得访问日志中并没有完　用户；　全记录用户的访问行为，补全路径就是要将用户会话中的访　（２）如ＩＰ地址相同，则判断用户浏览器或操作系统是否　问路径补全，更好的反映用户的访问过程；　相同；如果不同，则认为是不同用户；　（５）事务识别：用户会话对数据挖掘来讲，显得粗糙，仍　（３）如果ＩＰ地址相同，用户的浏览器和操作系统也相同，　不够精确，需把会话进一步分成具有一定语义的事务，事务　则根据引用页进行判断：如果用户请求的某个页面没有请求　识别是将用户会话成更小的、更精确的、具有一定语义的用户　过并且该条记录中的引用页为空，则认为这是一个新的用户。　访问事务，它是用户为访问一定的信息所点击的页面序列；　（４）向会话表中增加用户字段和删除无用字段，顺序对已　识别的用户设置ＩＤ值。　２数据预处理技术分析和改进　２．３会话识别　会话识别方法［５　主要有两种：　２．１数据清洗　（１）基于会话时间的会话构造方法：一个会话时间不能超　ｗｅｂ日志记录包括用户ＩＰ地址、用户ＩＤ、用户请求访问　过时间阈值＠通常＠＝３０ｍｉｎ在相同用户的前提下，假设一个　的ＵＲＬ页面、请求方法、访问时间、传输协议、传输的字节数、　会话的第一个页面请求的时间戳为ｔ０，那么这个会话中所有　错误代码等属性，而与数据挖掘相关的数据只是其中一部　页面请求的时间戳ｔ＜一ｔ。＋＠．第一个时间戳为ｔ（ｔ＞ｔ。＋＠）　分，因此需要是从原始的服务器日志文件中删除与挖掘任务　的页面请求就是下一个新的会话的第一个访问页面．　不相关的数据项，以避免这些无关的数据项对分析用户的浏　（２）基于引用的会话构造方法：假设同一用户依次发出相　览行为产生误导．　邻的两个页面请求Ｐ和ｑ（其中Ｐ属于会话ｓ），ｔ　和ｔ　分别表示　数据清洗过程如下：　页面请求Ｐ和ｑ的时间戳（ｔ　＜ｔ　）如果页面请求ｑ的引用页面　（１）删除除用户请求访问失败的纪录（标识为ｆａｉｔｏｒ，　（ｑ．ｒｅｆｅｒｅｒ）曾经在会话ｓ中出现过，那么ｑ就属于会话Ｓ；或者ｑ　ｅｒｒｏｒ）．　的引用页面（ｑ．ｒｅｆｅｒｅｒ）为空并且ｔｐ－－ｔ　＜一ｐ（ｐ为时间延迟，　（２）删除用户请求方法中不是ｇｅｔ的纪录。　通常小于１ｒａｉｎ那么页面请求ｑ也属于会话Ｓ．　（３）检查日志文件中后缀名为ｇｉｆ，ｊｐｅｇ，ｊＰｇ，ＪＰＥＧ，ＣＳＳ的　然而可以结合基于时间和基于引用二者的特点来构造用　文件，将其对应的日志项删除。　户会话的方法．之所以要将这两种方法结合起来，主要有两个　（４）页面过滤“］：根据网页中Ｆｒａｍｅ和Ｓｕｂｆｒａｍｅ之间的关　因素：（１）鉴于基于时间的方法在以往的应用中性能表现良　・５１・　维普资讯 http://www.cqvip.com Ｍｉｃｒｏｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　Ｖｏｌ。２３，Ｎｏ．１０，２００７　技术交流　微型电脑应用　２００７年第２３卷第１０期　好．（２）针对发现用户访问模式的应用的广泛性，引入用户的　是将用户会话成更小的、更精确的、具有一定语义的用户访问　事务，它是用户为访问一定的信息所点击的页面序列；　引用长度　］（Ｒｅｆｅｒｅｎｃｅ　Ｌｅｎｇｔｈ）　浏览特性将有利于下一步用户访问模式算法的实施．　基于时间和引用的启发式构造会话构造方法主要分为两　个步骤：　第一步，利用会话的时间特性来构造会话候选集合．我们　设定每个候选会话的持续时间阈值＠等于３０ｍｉｎ．凡是同一用　户依次发出相邻的页面请求之间的时间间隔超过时间阈值，　那么这两个页面请求将属于不同的候选会话。　第二步，根据用户的浏览特性和网站页面之间的链接结　Ｗｅｂ页可以简单分为两类：内容页和导航页。当页面中　超链接达到一定数目时，可看成导航页，这是一种静态划分　法。内容页一般是用户关心的信息，浏览时间较长。导航页是　用户快速找到所需信息而设置的路标，浏览时间较短。引用长　度事务识别算法是假设用户花在一个页面上的时间与该页面　对用户是导航页还是内容页有关．对服务器日志中页面引用　构确定最终的会话集合．　２．４路径识别　长度的定性分析显示出指数分布．假设已知日志中导航页的　由于本地缓存和代理服务器缓存的存在，用户在使用后　百分比．通过计算可求出导航页和内容页的分界、然后对每一　退按钮浏览网页时，如果欲浏览的网页在缓存中恰好有副本，　用户会话中的页面引用进行分类，得到用户会话中的内容页．　则浏览器直接访问缓存中的页面副本，其对应的页面访问记　也就得到了该用户会话所对应的事务。　录也不会在日志文件中保存，因此日志文件中保存的访问记　录并不能完整反映用户的访问行为。　３实例　当前访问页和上一次请求页之间没有直接的超链接关　系，那么可能是用户使用浏览器的Ｂａｃｋ按钮，调出本地缓存　的页面。这时可以根据引用日志和网络拓朴结构进行会话分　本文所采用的实例是一个音乐网站的ｗｅｂ日志数据预处　析，把最近访问过的页面记录，添加到日志文件中去，以便把　理过程。这个网站拓扑结构上拥有四层：根节点２Ｏ个二级节　路径修补完整。路径补充应遵循以下规则。　点分别包括港台歌手、内地歌手、欧美流行、日韩歌手等用户　①如果当前访问的页面和以前访问的某个页面存在超链　可能的兴趣类别；每个二级节点（歌手导航）分布拥有５Ｏ～１００　接关系，那么可以确定这个用户是通Ｂａｃｋ按钮，从本地Ｃａｃｈｅ　个叶子节点不等。每个三级节点（专辑导航）分别拥有３—２Ｏ　中调出该页面的历史记录链接到当前的页面。　个节点，每个四级节点（歌曲导航）分别拥有１Ｏ一１８个节点。　②如果ＲｅｆｅｒＬｏｇ中有多个页面和这个页面存在超链接　通过对实验站点进行１天的数据收集，取得服务器访问日志。　关系，那么认为用户通过这多个页面中最近被访问的页面链　日志中拥有记录６３００条。　接到当前的页面。　１、数据清洗：对Ｗｅｂ服务器日志文件经清洗、抽取、转　③理论上来说一个网站的所有页面之间都是应该有直接　换，只留下日志中适应调整需要的项：ＩＰ、Ｔｉｍｅ、ＲｅｑｕｅｓＵＲＬ、　或者间接的超链接，补充路径时应该设定阈值，当前访问页面　与前面一个页面之间间隔路径超过一定长度时，将当前访问　ＲｅｆｅｒｒｅｒＵＲＬ、Ａｇｅｎｔ　ｓ删除失败记录、非ｇｅｔ纪录以及带有　切分作为一个新的会话，因为用户可能使用绝对地址直接进　ｊＰｇ，ｊｐｅｇ，ｇｉｆ，ｂｍｐ的请求．将文本读人数据库的ｓｅｓｓｉｏｎ表　入页面。　中．剩余纪录１５６０条。　算法描述如下：　生成的数据表ｓｅｓｓｉｏｎ（ＵＩＰ，Ｔｉｍｅ，ＲｅｑｕｅｓｔＵＲＬ，Ｒｅ—　（１）扫描某个用户的一次会话的访问路径Ｐ　Ｐｚ…　ｆｅｒｒｅｒ，Ａｇｅｎｔ），其中：ＵＩＰ表示客户端ＩＰ地址；ＲｅｑｕｅｓｔＵＲＬ　Ｐ　Ｐｉ＋１…．．Ｐ　。　表示客户端请求的方法、ＵＲＬ地址及使用协议；Ｒｅｆｅｒｒｅｒ表　（２）如果任何连续的两个点Ｐ　，Ｐ一之间没有直接的物理　示用户此刻点击进入当前页面的ＵＲＬ；Ａｇｅｎｔ表示客户端浏　链接，在Ｐ　和Ｐ　之间插入节点Ｐ　一　，即路径为Ｐ　Ｐｚ…Ｐ　Ｐ　一　览器类型。　Ｐｉ＋１…Ｐ　。　２、用户识别：综合３．２提到的两种方法，进行双层过虑，　（３）如果Ｐ　一　和Ｐ；＋　之间还没有直接的物理链接，则在Ｐ　然后向会话表Ｓｅｓｓｉｏｎ中增加用户ＵＩＤ字段和删除Ａｇｅｎｔ字　和Ｐｉ＋１之间插入节点Ｐ　一　，此时路径为Ｐ　．Ｐ　．．Ｐ　Ｐｉ一１Ｐｉ—ｚＰｉ＋１　段，顺序对已识别的用户设置ＩＤ值。产生新的会话表Ｓｅｓｓｉｏｎｌ　Ｐ　（４）重复此操作，直到该路径上的任意连续两点之间都有　（ＵＩＤ，ＵＩＰ，Ｔｉｍｅ，ＲｅｑｕｅｓｔＵＲＬ，Ｒｅｆｅｒｒｅｒ）。通过用户识别，　直接的物理链接或者当插入节点数大于设定的阀值时。　得到７３个用户。　２．５事务识别　３、会话划分：采用基于时间和引用的启发式构造会话构　事务识别：用户会话对数据挖掘来讲，显得粗糙，仍不够　造方法来对会话进行划分。　精确，需把会话进一步分成具有一定语义的事务，事务识别　（１）构造候选会话集合Ｒｃ　・５２・　维普资讯 http://www.cqvip.com Ｍｉｃｒｏｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　Ｖｏ１．２３，Ｎｏ．１０，２００７　技术交流　微型电脑应用　２００７年第２３卷第１０期　把ｗｅｂ服务器日志看成是按照时间邮戳排序的集合Ｌ一　通过以上步骤得到２２３个会话。会话集Ｒ一｛ｒ　，ｒｚ…．，　｛ｌ　，ｌ：…．，ｌ…，ｌ　｝（１　ｉ　ｎ）　ｒ…．．，ｒ　｝，对会话表Ｓｅｓｓｉｏｎｌ（ＵＩＤ，ＵＩＰ，Ｔｉｍｅ，Ｒｅｑｕｅｓ—　Ｖ　１．，ｌ　∈Ｌ（１　ｉ　ｊ　ｎ）当且仅当ｌ　．ｉｄ—ｌｊ．ｉｄ，ｌｊ．ｔｉｍｅ—ｌｉ．　ｔＵＲＬ，Ｒｅｆｅｒｒｅｒ）进行转换，生成会话表Ｓｅｓｓｉｏｎ２（ＵＩＤ，ＵＩＰ，　ｔｉｍｅ＜＝０时，ｌ　和ｌ，属于同一候选会话ｔ，否则ｌｊ属于一个新　ＳＩＤ）和ｒ一＜ＳＩＤ，＜Ｐｌ，Ｐ　，Ｐ。…＞＞ｒ表示为一次会话，ＳＩＤ　的会话。算法如下：　为会话ＩＤ号。　Ｐｒｏｃｅｄｕｒｅ　ｃａｎｄｉｄａｔｅ－－ｓｅｓｓｉｏｎ（Ｌ．Ｒｃ）　４、路径补充和事务识别：按照３．４中的处理步骤对会话　｛ｉ；＝１；　路径进行补全，然后采用引用长度事务识别算法对会话进行　ｗｈｉｌｅ（ｉ＜一Ｌ．１ｅｎｇｔｈ－－１）　分隔，把会话划分为更细小具体的事务。得到事务５６７件。　｛ｔ：＝｛１．．ｉｄ，（１　．ｕｒｌ，１．．ｔｉｍｅ，ｌ　ｒｅｆｅｒ＞）｝Ｉ　ｊ：一ｉ；　４结束语　ｗｈｉｌｅ（１．＋１．ｉｄ—１．，ｉｄ）｛　ｉｆ　１．十１．ｔｉｍｅ—１．．ｔｉｍｅ＜一Ｏ　本文从多环节，多方面对当前数据预处理过程所普遍采　ｔ：一ｔＵ＜１．＋１．ｕｒｌ，１．＋１．ｔｉｍｅ，１．＋１．ｒｅｆｅｒ＞　用方法和策略进行分析和比较，从而针对这些数据预处理方　ｅｌｓｅ｛Ｒｃ：一ＲｃＵｔＩ　法所存在的缺陷，通过综合运用多种方法和策略，对它们进行　ｔ：一｛ｌｉ＋１．ｉｄ，（１　＋１．ｕｒｌ，Ｌ．＋１．ｔｉｍｅ，１．＋１．ｒｅｆｅｒ＞）｝　了补充和改进，有效得提高了ｗｅｂ日志数据的可靠性。ｗｅｂ　｝ｉ：＝ｉ＋１；　日志数据的可靠性是对Ｗｅｂ日志挖掘有效信息的重要前提　｝Ｒｃ：＝ＲｃＵｔ；　和基础。因此，如何更有效得提高与改进ｗｅｂ日志挖掘预处理　ｉ：一ｉ＋１；　技术，确保数据的正确性仍然是今后Ｗｅｂ日志挖掘研究的一　｝　个很重要方向。　（２）生成会话集合Ｒ　所有的会话所构成的集合被称为会话集Ｒ一｛ｒｌ，ｒ２…．，　参考文献：　ｒｉ，…，ｒｎ｝；　Ｖ　ｒｃ∈Ｒｃ，当且仅当Ｐｒ＋　．ｒｅｆｅｒ（１　ｉ　ｌｅｎｇｔｈ（ｒｃ））与任一　［１］ｈｔｔｐ：／／ｗｗｗ．ｗ３．ｏｒｇ／Ｄａｅｍｏｎ／Ｕｓｅｒ／Ｃｏｎｆｉｇ／Ｌｏｇｇｉｎｇ．　ｌ　．ｕｒｌ（１≤ｋ　ｉ）相同时，ｌ　与ｌ　属于同一会话ｒ，否则属于一　ｈｔｍ１．　个新的会话。算法如下：　Ｅｚ］冯林，何明瑞，罗芬．一种基于ＥｘＬＦ日志文件的用户会话　Ｐｒｏｃｅｄｕｒｅ　ｇｅｎｅｒａｔｅ－－ｓｅｓｓｉｏｎ（Ｒｃ，Ｒ）｛　识别启发式算法口］．计算机应用，２００５．　ｉ：一１；　［３］Ｒｏｂｅｒｔ　Ｃｏｏｌｅｙ，Ｂａｍ　ｓｈａｄＭｏｂａｓｈｅｒ，Ｊａｉｄｅｅｐ　Ｓｒｉｖ２ａｓｔａｖａ．　ｗｈｉｌｅ（ｉ＜一Ｒ．１ｅｎｇｔｈ）　Ｄａｔａ　Ｐｒｅｐａｒａｔｉｏｎ　ｆｏｒ　Ｍｉｎｉｎｇ　Ｗｏｒｌｄ　Ｗｉｄｅ　Ｗｅｂ　Ｂｒｏｗｓｉｎｇ　｛ｊ：一０；　Ｐａｔｔｅｒｎｓ口］．Ｊｏｕｒｎａｌ　ｏｆ　Ｋｎｏｗｌｅｄｇｅａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓ—　ｒ：＝｛ｒｅ　．ｉｄ，（＜ｌ　‘．ｕｒｌ，ｌ　‘．ｔｉｍｅ，．ｒｅｆｅｒ＞）｝；　ｔｅｍｓ，１９９９，１（１）：５—３２．　ｊ：一ｊ＋１１　［４］赵红玲，宋瀚涛．Ｗｅｂ日志挖掘中数据预处理的研究口］．　ｗｈｉｌｅ（ｊ＜＝ｌｅｎｇｔｈ（ｒｃ））（　计算机应用研究，２００４．　ｉｆ（１ｒ＋ｃ１．ｒｅｆｅｒ与任一ｌ　．ｕｒｌ（１＜一ｋ＜一ｊ）相同）　［５］Ｍ　Ｓｐｉｌｉｏｐｏｕｌｏｕ，Ｂ　Ｍｏｂａｓｈｅｒ，Ｂ　Ｂｅｒｅｎｄｔ　ｅｔ　ａ１．Ａ　Ｆｒａｍｅ—　ｏｒ（１　１．ｒｅｆｅｒ＝ｎｕｌｌ　ａｎｄｌ￣＿１．ｔｉｍｅ－－１１５１．ｔｉｍｅ＜ｏ）　ｗｏｒｋ　ｆｏｒ　ｔｈｅ　Ｅｖａｌｕａｔｉｏｎ　ｏｆ　Ｓｅｓｓｉｏｎ　Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ　ｔｈｅｎ　Ｈｅｕｒｉｓｔｉｃｓ　ｉｎ　Ｗｅｂ　Ｕｓａｇｅ　Ａｎａｌｙ－－ｓｉｓ［－Ｊ］．ＩＮＦＯＲＭＳ　Ｊｏｕｒ—　ｒ；＝ｒ　Ｕ＜ｌ　１．ｕｒｌ，ｌ　１．ｔｉｍｅ，ｌ　１．ｒｅｆｅｒ＞　ｎａｌ　ｏｆ　Ｃｏｍｐｕｔｉｎｇ，２００３；１５（２）．　ｅｌｓｅ｛Ｒｌ—ＲＵｒＩ　［６］Ｍ．Ｓ．Ｃｈｅｎ，Ｊ．Ｓ．Ｐａｒｋ，ａｎｄ　Ｐ．Ｓ．Ｙｕ．Ｄａｔａ　ｍｉｎｉｎｇ　ｆｏｒ　ｒ：＝｛ｒｃｉ．ｉｄ，（＜ｌｒ＋ｃ１．ｕｒｌ，ｌ　１．ｔｉｍｅ，ｌｒ＋ｃ１．ｒｅｆｅｒ＞）｝　ｐａｔｈ　ｔｒａｖｅｒｓａｌ　ｐａｔｔｅｒｎｓ　ｉｎ　ａ　Ｗｅｂｅｎｖｉｒｏｎｍｅｎｔ［Ａ］．Ｉｎ　Ｐｒｏ—　｝ｊ：＝ｊ＋１Ｉ　ｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１　６ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｄｉｓ—　｝ｉ：＝ｉ＋１Ｉ　ｔｒｉｂｕｔｅｄＣｏｍｐｕｔｉｎｇ　Ｓｙｓｔｅｍｓ［Ｃ］．ｐａｇｅｓ　３８５—３９２，２００２．　｝　（收稿日期：２００７—３—１２）　｝　・５３・