8篇关于Web日志的计算机毕业论文

今天分享的是关于Web日志的8篇计算机毕业论文范文, 如果你的论文涉及到Web日志等主题,本文能够帮助到你

基于学习平台日志挖掘的在线学习推荐系统实现

这是一篇关于Web日志,在线学习平台,协同过滤,序列模式挖掘,推荐系统的论文, 主要内容为互联网承载的信息量以惊人的速度持续增加,辅助检索的信息推荐方法被开发出来,并在改变商业和社会各个方面的二十一世纪变得极其重要。范例就是像“亚马逊”电子书城这样的电子商务网站上风行的推荐系统,它们在Web日志上工作,将个性化的信息提供给用户,帮助他们高效地找到所需物品。然而,无论是电子商务,还是在线学习所使用推荐技术,都不是完美无缺的。存在一些没解决的问题,如推荐结果的质量、数据的稀疏性,以及新用户和新资源的“冷启动”问题。围绕这些问题,本文关注用于在线学习的推荐系统,并将重点对专门性的推荐算法和系统实现进行研究。具体工作包括： 1.基于在线学习平台中的web日志,挖掘出资源特点和用户的兴趣偏好,实现适应学习平台的特征和具有实时性的推荐系统。用户在线浏览在线学习平台上的学习资源时,处理组件主要根据与处理过的数据以及动态地选择不同的推荐算法,调用推荐组件显示输出反映用户兴趣的个性化资源列表。 2.设计出基于在线学习平台web日志的混合推荐算法。针对在线学习平台中,由于被推荐给学习者的资源除了要满足“内容相关”以外还应符合最佳的“学习顺序性”这个特点,本文提出了基于“协同过滤”推荐算法,结合“序列模式挖掘”的混合推荐方法。具体做法是：先将Web日志中存储的用户信息以及用户对资源的打分整合成“用户-资源”的数据模型；再进行“资源与资源”之间的相似度计算,过滤出与目标资源最为相似的资源；再根据用户的偏好特征,预测出针对该用户学习的推荐资源列表；最后在资源列表中,应用“序列模式匹配”技术为用户提供最佳学习路径。比较分析结果显示,混合算法在设定的参数情况下,推荐结果的精确度优于单一的算法。 3.针对3个现存问题分别提出了改进算法。①“冷启动”问题：对于新用户的情况,提出根据用户基本信息计算相似用户,解决没有用户偏好数据(浏览历史或者对资源的打分数据)的用户“冷启动”问题。同样地,对于新资源的情况,根据“主题”找到相似的其他资源,从而解决只有“主题”的信息而没有用户对它进行过评价的资源“冷启动”问题。②“时间影响因子”问题：在很长时间内,用户有可能会改变兴趣或者兴趣转移等因素,所以某些被用户很早之前感兴趣的资源的评分其实并不能客观反映出现今用户对资源的态度和评分值。为此引入“阻尼函数”作为调节用户很久之前给予过评分的资源的权重。③“数据稀疏性”问题：当Web日志随着用户的访问量迅速增加时,推荐算法的效率会降低。本论文提出只取前k个最相似的资源作为协同过滤中相似集合里的候选资源,这样的改进使得算法的时间复杂度大大地减小为线性的数量级。 4.验证方法和完成实验对比分析。邀请学习者加入到“在线学习平台”中学习,从实际系统中获取用户的Web日志和资源的特征数据,采用Recommendation Error Matrix (REM)评价标准和“学前测试与学后测试”来衡量以上几种算法的综合性能,并对实验结果作分析。

基于网络日志的用户行为分析与研究

这是一篇关于Web日志,用户行为,会话,聚类算法,推荐模型,用户画像的论文, 主要内容为随着互联网的飞速发展,网络用户规模激增,其中网购用户占比不断增大,伴随着网络用户的行为也越来越复杂。尽管目前已有很多学者对Web挖掘技术和用户行为分析等方向展开了深入研究,但是仍然存在一些问题,特别是在电商垂直应用领域,会话识别作为用户分析的基础,目前仍采用的是静态、粗粒度、低准确率的识别方法,为后续分析造成较大的原始误差。此外,由于忽略对用户购买行为的考虑,各电商平台的推荐系统存在产生大量重复、不合时宜的物品推荐而造成用户体验不佳的问题。以上这些问题亟待解决,因此本文选取电商垂直领域,重点分析和研究电商用户行为,构建基于网络日志的用户行为分析系统。本文主要研究内容包括以下几点:第一、在深入理解Web日志的数据特征、表现形式的基础上,深入调研并理解互联网用户行为,总结出了互联网用户行为所具有的隐蔽性强、主动性强、复杂多样等主要特征,并总结出Web日志挖掘在电子商务、社交媒体、搜索引擎、游戏运营、02O、P2P六大行业领域的具体应用方向。第二、基于上述的调研结果,针对电商网站的具体应用场景,提出了一种基于时间阈值和站点首页识别的混合会话识别算法,提高了会话识别算法的灵活性和识别准确率。第三、以机器学习算法为基础,结合Kmeans和GMM两种聚类算法,实现了一种两阶段聚类算法,实验结果表明,该算法在聚类结果准确率上接近于GMM的结果,但算法用时较GMM缩短了 15%-18%,实现了上述两种算法的优势互补。第四,深入研究了协同过滤和基于内容的推荐算法,对比两者的优缺点,在分析淘宝用户行为的基础上,提出了一种引入商品购买周期的推荐系统模型,从最终得到的淘宝商品推荐备选集中可以直观看出该模型大大减少了重复推荐,同时实验结果也显示,该推荐模型的推荐结果准确率较目前的ItemCF推荐算法提高了10%-15%。基于上述研究内容和成果,本文构建并实现了基于网络日志的用户行为分析系统,该系统能够根据用户需求对日志记录进行标签标注,进而实现多维度统计分析和用户挖掘,输出用户画像,能够帮助电商商家、内容提供商等了解自己的用户,通过精准营销、精准推荐等方式获得更好的商业价值。

基于混合模式的个性化推荐系统的研究与应用

这是一篇关于混合模式,Web日志,数据挖掘,个性化推荐系统的论文, 主要内容为现在社会,互联网已经成为我们获取信息的主要来源,人们生活的方方面面都与互联网产生了联系,互联网让人们的生活更加便捷,与此同时也带来了一系列的问题,大量繁复芜杂的信息充斥着网络,让我们在互联网的世界里迷失了自己。找不到需要的东西或者花很长时间找到需要的东西。利用传统的搜索引擎搜索查找需要的东西效率比较低,很难满足用户的需要,诸多的推荐系统应运而生,它可以针对不同的用户提供个性化的服务,提高用户对网站的信任度,如音乐推荐系统就是根据用户的兴趣爱好,为其提供最适合他的音乐,以此来提高用户对网站的信任度。不难发现,基于单一模式的推荐系统都存在不少的缺陷,例如基于内容的以及基于协同过滤的推荐技术存在冷启动以及数据稀疏性等问题；基于关联规则的推荐技术存在抽取难,个性化程度低等方面的问题,这造成了推荐的效率不高。鉴于以上的分析研究,本文针对单个模式的缺陷,将基于内容的,基于协同过滤的以及基于日志文件的推荐技术相融合,提出了基于混合模式的推荐模式,根据不同的用户数据选择不同的推荐技术,发挥不同推荐模式的优势,尽可能提高推荐的精确度。另外针对传统的推荐技术过分依赖于用户的显式信息,造成了数据源不足的缺陷,本文提出了采用显式和隐式相结合的方法,用数据挖掘来提取用户数据,建立用户模型,其中隐式数据主要从用户日志中提取,通过两方面的改进提高系统的准确性。最后,本文利用改进的推荐模式设计了一个基于混合模式的个性化音乐推荐系统,该系统提供了不同的推荐模式,既可以提供大众推荐和搜索服务,也可以针对注册用户提供个性化的推荐服务,从不同层面满足用户的要求。实验数据表明运用改进的方法计算所得的MAE值比使用传统的推荐模式计算所得的MAE值小,由此可以判定改进的系统很大程度上提高推荐的准确性。

基于Hadoop的Web日志数据分析系统的设计与实现

这是一篇关于Web日志,数据挖掘,离线数据,Hadoop的论文, 主要内容为随着Internet的快速发展,越来越多的企业搭建了属于它们自己的各种各样的业务系统,社会高度信息化,网络数据规模日渐庞大,Web成为迄今为止全球最大的信息仓库。无论是政府、企业还是个人都面临如何处理大量Web数据的难题。公司传统的日志分析就是工作人员进入服务器利用vim工具和一些命令或者Shell脚本统计得出一些信息,速度慢,也无法从日志中直观显示日志数据背后的信息,于是如何高效的从公司网站数据中挖掘出潜在价值并转化为决策依据,便具有重大意义。然而由于数据的产生速率和规模越来越大,数据处理技术将迎接更大的挑战,公司传统的日志分析模式在存储空间、效率以及用户交互上已经无法满足现实中的需求。为了提高日志分析的存储能力和计算效率,便于用户交互,本文提出了基于Hadoop的分布式解决方案并研究设计完成了基于Hadoop的Web日志数据挖掘分析系统。论文在以下几个方面进行了研究:(1)本文从Web日志挖掘的背景出发,探索了目前国内外在数据挖掘方面的常用方法和方向。(2)详细分析了Web日志数据挖掘分析系统三个子系统的功能性需求,基于需求主要研究了用于保存数据分析结果的MySQL表的结构。最后分别分析实现了三个分析子系统:数据收集系统使用Flume收集数据存入HDFS;数据分析系统基于Hadoop框架先将收集的离线数据清洗导入My SQL,之后MapReduce程序和Hive脚本分析HBase表中数据并将结果存入MySQL;数据展示系统基于Spring和MyBatis框架将数据以图表的形式展示出来。(3)将Hadoop组件、Spring框架有机的组合起来,Map Reduce程序和Hive脚本发挥各自的作用和性能分析不同的功能模块,Oozie工作流将MapReduce程序和Hive脚本集成并设置定时任务执行,Spring、My Batis和High Chart组合形成新的Spring MVC框架。(4)分析了传统CART算法的不足,改进了CART算法对于数据集中属性内、属性间Gini系数的计算方式以及CCP剪枝算法中表面误差率增益值的计算方式,实现了一种并行化的CART算法。(5)完成了各个功能模块的单元测试、系统的集成测试以及MapReduce和Hive脚本在Hadoop集群上执行任务的性能测试。结果表明分析系统可靠、高效、具有良好的交互性能。最终的研究成果是一个完整的的从数据收集到展示分析结果的基于Hadoop的分布式Web日志数据挖掘分析系统,该系统提供了支持运维大数据分析的基础框架、分析结果查询的API接口和交互界面。

基于网络日志的用户行为分析与研究

基于Rest的Web业务系统日志采集与分析系统的研究与开发

这是一篇关于通用性,Web日志,Rest,WebService,JFreeChart的论文, 主要内容为随着互联网的迅速发展,越来越多的企业、单位对自己业务发展,平台管理的规范性、透明性和效率提出了更高的要求。在处理业务订单和效率统计以及人员管理的Web应用中会产生大量的日志数据,对于日志数据的处理一直以来都是互联网发展中的一个重要环节,通过对日志数据的收集,整合和展示往往能发现在平时的业务中所不能发现的问题,而这些问题通常都是人们所忽略的。日志又分为系统运行日志和用户业务日志,本文主要需要介绍的就是对用户的业务日志的处理。业务日志指的是用户对于系统的操作行为、订单处理行为,工作效率及时性行为。通过对业务日志文件收集整合展示能够提高业务员的办事效率,提高企业运行效率,直观实时的观察出业务过程中的每一个细节以及对每个员工的能力以及效率做出展示。本文的主要目的旨在通过一种通用的Web架设开发业务日志关系模型,这种模型是基于Rest风格设计的,根据企业的具体需求分析,设计出Rest风格通用的业务日志管理系统,主要包括界面需求、功能需求、非功能性需求等。再次,根据中通客车SBM供应商管理系统的详细需求,使用大量的图表加以说明解释,主要包括：UML用例图、顺序图、可视化展示图、用户活动图等等。中通客车SBM供应商管理系统是本文的基本系统,基于该系统而开发的Rest风格的业务日志管理系统采用的是基于Web的MVC三层架构,所用的框架结构主要为：Rest Service + Mysql数据库组成的服务端,JSP界面用户客户端,其中JSP页面端采用了JQuery、AJAX等技术,服务端的开发采用了Rest、 Hibernate等技术。