Web用户群模糊聚类挖掘

对Web日志进行有效聚类,可得到网站不同访问群和访问模式,研究了Web用户群模糊聚类关键技术.因为Web数据既有定量属性,又有定性属性,对Web用户群的聚类挖掘采用了模糊聚类方法,并设计了基于用户群的页面推荐函数.试验证明,Web用户群模糊聚类挖掘方法是有效的.     

基于XML的网络日志分析

针对日志分析软件发展过程中面临的问题,提出了用JAVA语言,XML(可扩展标志语言),以及XSL(可扩展样式语言)进行日志分析的设计方法,运用JAVA语言把网络日志转换为XML的标准格式,通过XSL对XML文件进行统计分析,提取日志中有价值的信息,方便地完成对日志文件的分析,并使日志分析的程序与数据能够在平台间进行无缝移植。     

支持组合事务的失败恢复验证

组合事务中任务间的协作通常以点对点的方式而不是中心控制,当系统崩溃时,事务流中的任务可能部分执行而其后续任务则未被调度执行。在这种情况下,选择合适的失败恢复验证策略是必要的。提出一种支持向前、向后和替代恢复策略的失败恢复验证方法。当失败发生时,借助组合事务的执行日志和可接受状态集,选择合适的恢复策略,验证带状态空间的事务恢复所产生的一组动作序列,是否包含一组良好行为。追踪执行进展,检测恢复后组合事务是否存在不一致状态。通过对旅行预订流程的实例分析,表明该失败恢复验证方法是可行的。     

基于注意力机制多特征融合与文本情感分析的日志异常检测方法

现有的基于深度学习和神经网络的日志异常检测方法通常存在语义信息提取不完整、依赖日志序列构建和依赖日志解析器等问题.基于注意力机制多特征融合和文本情感分析技术,提出了一种日志异常检测方法 .该方法首先采用词嵌入方法将日志文本向量化以获取日志消息的词向量表示,接着将词向量输入到由双向门控循环单元网络和卷积神经网络组成的特征提取层中分别提取日志消息的上下文依赖特征和局部依赖特征,使用注意力机制分别加强两种特征中的关键信息,增强模型识别关键信息的能力.使用基于注意力机制的特征融合层为两种特征赋予不同权重并加权求和后输入由全连接层构成的输出层中,实现日志消息的情感极性分类,达到日志异常检测的目的 .在BGL公开数据集上的实验结果表明,该模型的分类准确率和F1值分别达到了96.36%和98.06%,与同类日志异常检测模型相比有不同程度的提升,从而证明了日志中的语义情感信息有助于异常检测效果的提升,并且经过实验证明了使用注意力机制的模型可以进一步提高文本情感分类效果,进而提升日志异常检测的准确率.     

基于翻译日志的统计机器翻译模型剪枝

提出一种基于翻译日志的统计机器翻译模型的剪枝方法。该方法利用翻译规则在翻译日志中的命中频数对机器翻译规则进行过滤, 保留当前机器翻译模型所需的最小规则表。实验表明, 该方法能够在仅保留原有模型1%~3%翻译规则的前提下达到原有模型的翻译效果。     

高效的用户访问预测新算法

针对基于Web日志挖掘的用户访问预测经典算法的不足,提出了基于Markov链和关联规则的预测算法(MAPA).使用二阶Markov链找到用户下一步或将来可能访问的页面集,生成预测候选集;使用二项关联规则从正向和反向2个角度修正Markov的预测结果,从而生成最后的预测页面.通过引入用户反馈机制,提出了带反馈的Markov预测算法(MPAF),即在预测过程中逐步构造历史预测树,把历史预测信息保存到历史预测树中,并根据用户的反馈来判断预测的正确性.在预测过程中,用二阶Markov预测算法生成预测候选集,再利用历史预测信息动态地调整预测算法,从而生成预测页面.理论分析证明,这2种预测算法具有线性时间复杂度的预测效率.实验结果表明,MAPA和MPAF在预测准确率上平均提高5%和10%.     

用AOP技术实现Web系统中的日志管理

面向方面编程是一种新型的软件设计模式,它在很大程度上使得系统以模块化方面作为目标而进行设计和开发。在Web系统中,通过面向方面编程技术应用日志的管理,能实现对关注点的分离和非核心模块集中化。介绍一种AOP技术在Web系统中对日志管理的实现方式,并通过在项目开发中的实例应用证明它的可行性。     

Web日志挖掘中数据预处理的研究

Web日志挖掘是Web使用挖掘一个最重要研究领域,数据预处理是Web日志挖掘中的关键技术之一。论述了数据预处理各主要步骤的方法和技术,重点研究了用户识别和会话识别。     

基于压缩事务矩阵相乘的Apriori改进算法

Apriori算法是当前使用最广泛的关联规则挖掘方法中最为经典的算法之一;但是该算法需要反复的扫描数据库,在L/O上花消很大,并且在得到频繁一2项集的过程中会产生庞大的候选一2项集,其次在筛选得到频繁一k项集时,并没排除那些不应该参组合的元素,而导致该算法效率很低,针对上面影响计算效率的三个方面提出基于压缩事务矩阵相乘得到频繁项目集的算法,只需一次扫描数据库,经过压缩处理产生产生事务矩阵,通过矩阵间运算得到频繁项目集,有效提高了关联规则的挖掘效率。     

基于漂移检测的流程变体差异分析方法

传统的流程挖掘技术通常假设过程模型在服务期间不会随时间改变,但是实际过程模型在执行中总是动态调整的。检测漂移发生的时间点并确定漂移过程中所涉及的行为变化,可以帮助业务分析人员更好地理解流程行为。目前大多数方法侧重于漂移检测和变体差异分析这两个独立的任务,但漂移检测仅能单纯定位发生变化的关键点,不能对漂移点前后流程行为的变化进行描述,因而无法有效地对流程进行配置和维护。因此,提出一种集漂移检测和流程变体差异分析于一体的综合方法,既能检测漂移又能对漂移后流程行为的差异进行具体分析。应用不同类型的控制流变化得到的事件日志来评估该方法,验证了所提方法的有效性。