优化的Web日志会话识别方法：准确时间阈值与兴趣度筛选

本文档标题为"Web日志预处理中会话识别的优化 (2008年)"，主要探讨了在Web日志分析中的一种创新的会话识别方法。作者针对传统会话识别技术的局限性，提出了一个优化的策略。该方法的核心是通过综合考虑以下几个关键参数来提高会话分割的准确性： 1. 用户下载时间：这是衡量用户对页面内容关注度的重要指标，较短的下载时间可能表示用户对页面的兴趣较低。 2. 页面的平均阅读时间：阅读时间较长可能意味着用户对页面内容投入更多，有助于区分真正的会话片段。 3. 页面的链入和链出数：链入数可以反映页面的入口流量，链出数则反映了用户的活跃程度，这两个参数可以帮助确定用户行为路径。 首先，作者提出了一种计算每个用户页面访问时间阈值（闺值）的方法，这个阈值基于上述参数动态调整，以便更准确地划分用户的访问会话。然后，通过用户对页面内容的兴趣度和浏览特性（如删除链接页面和不感兴趣的内容），生成了一个有效且优化后的访问页面序列。 文章中还提到三种不同的时间限制条件，例如10分钟和30分钟内访问的页面可能属于同一会话，这有助于减少误判。此外，通过比较不同策略，如单一先验阈值、统计方法结合页面内容以及作者提出的优化方法，实验结果显示，后者能够更精确地确定页面访问时间，从而提高了会话识别的性能。 具体实现步骤包括： - 利用下载时间、阅读时间和链入链出数来估计访问时间阈值。 - 基于兴趣度和浏览特征，剔除不相关的页面。 - 设定不同时间段内的页面作为会话候选。 - 最终得到一种有效且有针对性的页面访问序列，为后续的模式挖掘提供了高质量的数据。 这篇文章在Web日志分析领域提供了一种新的会话识别方法，旨在提高数据预处理阶段的效率和准确性，这对于后续的用户行为分析和网站优化具有实际应用价值。通过这种方法，研究人员和开发者可以更好地理解用户行为，为个性化推荐和用户体验的改进提供有力支持。