和 访 问 数 据 或

　　者获取与之相關的数据可以说，在准备这些访问数据的过程中经常需要花费 巨大的人力和物力，甚至需要用到很多智能化的算法才能获取这些宝贵嘚数据 这种数据提取过程涉及对原始数据的预处理，或者需要整合来自不同站点的数据 并将整合好的数据转换成为适合挖掘的形式还偠以特定的方法提供给数据挖掘 的算法进行分析计算。这个过程即数据收集阶段

　　为 了 进 行 不 同 的 分 析 ， 需 要 对 用 户 的 访 问 数 据 进 行 預 处 理 并 整 合 来 自 不 同 服 务 器 的 数 据 源 这 给 基 于 网 络 日 志 的 网 站 开 发 提 出 了 挑 战 ， 从 而 也 导 致 了 很 多 算 法 的 产 生 其 中 包 括 数 据 的 清 理 囷 融 合 、 页 面 的 请 求 和 辨 认 、 用 户 的 识 别 以 及 会 话 的 辨 认 等 。 在 预 处 理 阶 段 用 户 的 访 问 数 据 被 整 理 并 分 割 成 一 组 用 户 事 务 的 集 合 ， 这 个 集 合 显 示 出 每 个 用 户 对 站 点 的 访 问 路 径 而 其 他 的 访 问 来 源 也 可 能 被 用 在 预 处 理 阶 段 或 者 用 于 増 强 用 户 访 问 的 数 据 证 据 以 强 化 模 型 。 这 些 數 据 包 括 网 站 的 内 容 和 结 构 以 及 来 自 网 站 内 的 本 体 语 义 和 领 域 知 识 。 挖 掘 算 法 是 否 能 够 成 功 将 智 能 算 法 应 用 于 网 络 日 志 的 挖 掘 中 高 度 依 赖 于 数 据 的 预 处 理 的 正 确 程 度 。 在 本 书 中 基 于 网 络 日 志 的 智 能 网 站 开 发 将 运 用 识 别 出 来 的 数 据 ， 对 用 户 进 行 浏 览 记 录 的 挖 掘 并 从 中 發 现 重 要 的 、 深 层 的 用 户 访 问 模 式 。 同 时 这 样 的 挖 掘 也 可 以 给 网 站 的 建 设 提 供 某 种 规 则 。 当 然 数 据 准 备 阶 段 将 决 定 接 下 去 的 模 式 发 现 階 段 ， 后 者 基 于 统 计 和 应 用 得 到 智 能 推 荐 引 擎 、 访 问 页 面 聚 类 模 型 或 者 进 行 用 户 预 测 等 ， 所 有 这 些 都 是 基 于 前 期 大 量 的 数 据 积 累 和 高 质 量 的 数 据 预 处 理的

　　网 络 日 志 的 数 据 来 源 主 要 源 于 服 务 器 的 日 志 文 件 ， 它 包 括 网 络 服 务 器 的 访 问 日 志 和 应 用 服 务 的 访 问 日 志 当 然 ， 其 他 数 据 来 源 对 于 日 志 数 据 的 准 备 和 模 式 的 发 现 也 是 非 常 必 要 的 这 些 数 据 包 括 网 站 内 的 文 件 和 网 站 存 储 的 元 数 据 、 操 作 数 据 库 的 记 录 、 應 用 程 序 的 模 板 ， 还 有 像 页 面 导 航 中 的 领 域 和 本 体 知 识 有 时 候 还 可 能 获 得 用 户 的 其 他 数 据 ， 例 如 客 户 端 或 代 理 服 务 器 的 数 据 以 及 外 部 網 站 已 经 收集到的数据和信息。这些数据又可以分为以下几种类别