从Web数据中挖掘频繁访问模式

提出了一种新的用户浏览行为模型，通过在Web日志挖掘中引入页面信息量参数，以Web页面文件大小与用户浏览时间的比值作为对页面关心程度的度量，将页面引用划分为导航目的与内容目的两种类型。在此基础上定义并实现了对应的内容事务识别方法。实际数据的挖掘结果证明了模型的适用性。     

实时数据库的事务处理

本文在介绍了实时数据库（RTDB）之后，分析了RTDB事务的特征，给出了RTDB事务优先级分配的几种方法，并针对事务并发调度中出现的“优先级颠倒”情况，提出了相应的改进方案。     

基于IIS和web日志的关联关系的挖掘

针对隐藏在web日志的大量记录中的规律性开展研究，提出了一种基于微软的ⅡS合理构建web日志并进行数据预处理的方案，在此基础上运用Apriori算法挖掘用户访问的页面间的关联关系，将数据预处理过程提前到web日志的建立过程中，可极大地降低数据准备的复杂性，将日志数据导入关系数据库中进行净化处理，大幅度减少了工作量，该方案可用于ⅡS下的商业网站。     

关联规则挖掘的PredictiveApriori算法的研究及改进

在关联规则挖掘算法中,PredictiveApriori算法只需设定输出最好的N个规则,就可挖掘出N个预测精度最大的规则,从而极大地减轻用户参数设置的负担.但该算法需要不断对事务数据库进行扫描,如果事务数据库很大将会大大增加I/O时间,降低挖掘效率.本文融合事务压缩技术,提出一种称为Fast PredictiveApriori的改进版算法.实验结果表明,随着事务数据量的增大,改进后的算法只需扫描压缩事务集.因此,在事务数据库很大时,该算法能明显提高执行效率.     

基于DWLMS模型的分布式Web用户访问模式挖掘

大型网站为了提高访问效率,通常建立多个镜像站点,这导致获取网站全局的用户访问模式知识变得困难.该文提出一种分布式Web日志挖掘模型DWLMS,并以路径分析技术为例,提出了基于DWLMS的局部频繁路的更新算法LFP和全局频繁路径的更新算法GFP,解决了Web访问信息的异地存储、实时增长、分布式算法通讯量等因素给模式分析过程带来的困难.对提出的算法进行了实现和实际日志数据的测试,结果证明了算法的有效性.     

Web日志挖掘的模糊动态聚类算法

本文给出了一种Web用户和页面的模糊聚类算法.在该算法中,通过Web日志中的数据,根据用户对Web页面的浏览情况分别建立Web用户和页面的模糊集,在此基础上用最大-最小法的模糊相似性度量构造模糊相似矩阵,并由此构造模糊动态聚类算法.     

基于关联规则的日志分析系统的设计与实现

网上广告势必成为中国广告业不可取代的部分．广告人总是期望广告能获得最好的效果．为此．本设计并实现了一个基于关联规则数据挖掘的日志分析系统．数据挖掘引擎在实现过程中针对挖掘数据的特点对Apriori算法进行了改进．并通过仿真数据库对挖掘结果进行了验证．日志分析系统获得的“知识”可以直接用于改善Web的信息服务．     

基于Windows日志的安全审计技术研究

事件日志记录着操作系统或应用程序中重要的事件。通过对日志进行分析,发现所需事件信息和规律是安全审计的根本目的。文章讨论了对Windows系统日志文件进行集中式统一管理,采用API钩子技术实现Windows下的审计数据的获取,并通过对Windows日志的分析给出了一种基于主机日志分析的安全审计通用模型。     

基于web日志挖掘构建个性化推荐系统

本文介绍Web日志挖掘和个性化推荐系统概念,对日志挖掘出访问网站的相似爱好的用户群体、页面之间的内在联系,以此改进网站性能和组织结构,提高用户查找信息的质量和效率。     

事务模式树分层挖掘算法及其应用

从事务数据、时间序列数据等数据库中挖掘频繁模式已在数据挖掘领域中得到了广泛地研究．针对目前已有的Apriori算法和频繁模式增长算法在时间和空间等方面的复杂性和低效性，提出了一种新的数据结构——事务模式树，用来存放待挖掘的事务信息，同时给出一种基于该数据结构的挖掘算法——事务模式树分层挖掘算法．最后，把该算法应用于保险业务．结果表明,该算法简单高效，值得推广.