基本思想:
把用户访问过的页面作为序列。
每个页面可以有一个或者多个类别。
把访问过的页面序列,用HMM来标注类别。 目的就是识别用户访问的类目序列。
训练数据的获取方法?
通过局域网抓包的方式来得到用户访问的页面序列。这个方式比较巧妙,真是“创造条件也要上。”
不过这个方法在局域网只得到712个浏览页面,分析之后用到其中302个URL,分成8个类目。数据真的太少,类目太粗了。假如我们实验室有10个人,每个人一天访问20个页面,统计10天,那么也有2000个页面。所以说这个数据收集的方法值得斟酌。
302个页面在做文本聚类,这个精确度感觉太粗糙了。
最终结果是识别访问类目的规律:
如此识别之后再用关联规则去挖掘。有点用了大炮之后再用鸟枪的感觉。