Embed Size (px)
Citation preview
1
Web Mining ● Aplicação de técnicas de Mineração de
Dados para descoberta de padrões na Web ● Motivações:
– Encontrar informação relevante – Gerar conhecimento a partir da informação
disponível na Web – Personalizar a informação – Aprender sobre consumidores ou usuários
individuais
2
Abordagens de Web Mining ● Mineração de conteúdo (Web content mining)
– Extração de conhecimento do conteúdo de páginas e suas descrições
● Mineração de estrutura (Web structure mining)
– Obtenção de conhecimento a partir da organização da web e da referência cruzada de ligações.
● Mineração de uso (Web usage mining)
– Geração de padrões interessantes com o uso dos registros de acesso da web
3
Mineração de conteúdo (Web content mining)
Extração de conhecimento do conteúdo de páginas e suas descrições
● Inclui a Mineração de texto (text mining) Aplicações ● Classificação de textos ● Detecção e acompanhamento de evento ● Extração de regras
4
Documentos não estruturados ● Texto livre ● Representação: bag of words ● Palavras do texto são atributos
– Booleano – Baseado em frequência
● Ignora a sequência em que palavras aparecem
● Usa estatísticas sobre palavras isoladas
5
● Outras formas de seleção: – Remover pontuação, palavras pouco frequentes,
palavras muito frequentes – Stemming – extrair o radical das palavras
● Outras formas de representação: – Posição da palavra no documento – N-grams (sequências de palavras de tamanho
até n)
6
Documentos semi-estruturados ● Tem informação estrutural adicional (HTML e
hiperlinks) no documento de hipertexto ● Aplicações:
– Classificação de hipertextos – Agrupamento – Aprendizado de relações entre documentos web – Extração de Padrões ou regras
7
Mineração de estrutura (Web structure mining)
● Tenta descobrir o modelo por trás da estrutura de links na web.
● Informação extraída: – Links apontando para um documento podem
indicar sua popularidade – Links saindo de um documento podem indicar a
riqueza ou variedade de tópicos tratados pelo documento
8
Estrutura típica ● Páginas = nós, hyperlinks = arcos
conectando páginas
– Hyperlinks tem duas finalidades: ● Permitir navegação ● Apontar para páginas com “autoridade” no mesmo
tópico da página contendo o link
9
Estruturas interessantes
10
Informações a serem extraídas:
● Qualidade da página web – Autoridade de uma página – Ranking de páginas
● Estruturas interessantes – co-citação, – escolha social, etc
11
Mineração de uso (Web usage mining)
– Aplicação das técnicas de mineração de
dados para descobrir padrões de uso a partir de registros de acesso à web
– Tendências: ● extração de padrão geral de acesso ● personalização
12
Tendências - Definidas pelo tipo de aplicação:
● Extração de padrão geral de acesso – Analisa dados do web log file e outras fontes
para descobrir padrões e tendências de acesso – Pode ser usado para:
● Reestruturação dos sites em grupos mais eficientes
● Localizar pontos para propaganda mais efetiva
● Direcionar campanhas específicas para usuários específicos
13
● Uso personalizado – Analisa tendências de usuários individuais – Pode ser utilizado para:
● Personalizar dinamicamente a cada usuário, com base no padrão de acesso ao longo do tempo
– a informação apresentada,
– a profundidade do site e
– o formato dos recursos
14
Fontes de dados ● Dados do servidor Web
– Web server log – Cookies – Dados de consultas
15
● Dados do cliente
– Agente remoto (Javascripts ou Java applets) – Modificação do código fonte de um browser
● Requer a cooperação do usuário
16
● Dados do proxy – Web proxy atua como um nível intermediário
entre browsers de clientes e servidores web – Pode ser usado para reduzir o tempo de
carregar uma página web – Desempenho depende da habilidade de prever
acessos futuros – Dados podem revelar requisição de múltiplos
usuários a múltiplos servidores web
17
Web server log ● Tipos de logs
– Error – Segurança – Referência – Browser (Agente) – Accesso
● Formatos – Common Log – Extended log formats
18
Exemplo: Web log #Software: Microsoft Internet Information Server 4.0 #Version: 1.0 #Date: 1999-12-25 00:00:21 #Fields: date time c-ip cs-username cs-method cs-uri-stem cs-uri-query sc-status sc-bytes cs(User-Agent) cs(Cookie) cs(Referer) 1999-12-25 00:00:21 194.237.174.119 - GET /issue1/jobs/Default.asp - 200 20407 AltaVista-Intranet/V2.3A+([email protected]) - - 1999-12-25 00:03:39 194.237.174.119 - GET /statistics/ExpIntHits1.asp - 200 10519 AltaVista-Intranet/V2.3A+([email protected]) - - 1999-12-25 00:26:54 209.67.247.158 - GET /robots.txt - 200 303 FAST-WebCrawler/2.0.9+([email protected];+http://www.fast.no/…) - - 1999-12-25 00:32:47 194.237.174.119 - GET /issue2/default.asp - 200 5332 AltaVista-Intranet/V2.3A+([email protected]) - - 1999-12-25 01:49:54 206.186.25.7 - GET /resources/images/main/bg.gif - 200 300 Mozilla/2.0+(compatible;+MSIE+3.02;+AK;+Windows+NT) ASPSESSIONIDGQQGQGAD=IIHCBIFDIECKPAPGICDEOJII;+SITESERVER=ID=22e0a17296b8c2ed1f77460cde75c27f http://www.exploit-lib.org/issue1/webtechs/ 1999-12-25 01:49:54 206.186.25.7 - GET /issue1/webtechs/Default.asp - 200 24659 Mozilla/2.0+(compatible;+MSIE+3.02;+AK;+Windows+NT) - http://www.statslab.cam.ac.uk/%7Esret1/analog/webtechs.html 1999-12-25 01:49:54 206.186.25.7 - GET /resources/images/main/global_home_h.gif - 200 487 Mozilla/2.0+(compatible;+MSIE+3.02;+AK;+Windows+NT) ASPSESSIONIDGQQGQGAD=IIHCBIFDIECKPAPGICDEOJII;+SITESERVER=ID=22e0a17296b8c2ed1f77460cde75c27f http://www.exploit-lib.org/issue1/webtechs/ 1999-12-25 01:49:54 206.186.25.7 - GET /resources/images/main/global_search.gif - 200 534 Mozilla/2.0+(compatible;+MSIE+3.02;+AK;+Windows+NT) ASPSESSIONIDGQQGQGAD=IIHCBIFDIECKPAPGICDEOJII;+SITESERVER=ID=22e0a17296b8c2ed1f77460cde75c27f http://www.exploit-lib.org/issue1/webtechs/ 1999-12-25 01:49:56 206.186.25.7 - GET /resources/images/main/local_home01.gif - 200 663 Mozilla/2.0+(compatible;+MSIE+3.02;+AK;+Windows+NT) ASPSESSIONIDGQQGQGAD=IIHCBIFDIECKPAPGICDEOJII;+SITESERVER=ID=22e0a17296b8c2ed1f77460cde75c27f http://www.exploit-lib.org/issue1/webtechs/
19
● Este arquivo de log mostra visitas ao web site Exploit Interactive de 00:00:00 em 25 de Dezembro de 1999:
– A visit from an AltaVista robot in UK, downloading several text files
– A visit from a FAST-Crawler robot in Norway – A visit from a PC (WinNT) user of an IE browser who followed a
link at <http://www.statslab.cam.ac.uk/%7Esret1/analog/webtechs.html> and downloaded a HTML page and several images
20
Web Server Log ‒ Exemplo
http://www.kdnuggets.com/jobs/
KDnuggets.com Server
Web server log 152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET … HTTP/1.1" 200
152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET /gps.html HTTP/1.1" 200
152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET /jobs/ HTTP/1.1" 200 …
Conteúdo da Página
21
Web (Server) Log
Uma linha (exemplo) do log 152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET /jobs/ HTTP/1.1" 200 15140 "http://www.google.com/search?q=salary+for+data+mining&hl=en&lr=&start=10&sa=N" "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322)“ 152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET /jobs/ HTTP/1.1" 200 15140 "http://www.google.com/search?q=salary+for+data
+mining&hl=en&lr=&start=10&sa=N" "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1;
SV1; .NET CLR 1.1.4322)"
22
Web log: IP 152.152.98.11 IP address – pode ser convertido para o
nome do host, por exemplo: xyz.example.com
23
Top-Level Domains (TLD) ● A última parte do domínio é o TLD ● TLD Generico
– .com (comercial) – geralmente mas não necessariamente USA
– .net (ISP, network providers) – .edu – US educacional, e.g. conncoll.edu – Outros: .gov (governo), .org (organizações sem fins lucrativos), …
24
Top-Level Domains ‒ código do país (ccTLD)
Alguns dos mais comuns
25
Web log: Name, Login - Name: nome do usuário remoto (normalmente
omitido e trocado por um traço “-”)
- Login: Login do usuário remoto (também é
normalmente omitido e trocado por um traço “-”)
26
Web log: Date/Time/TZ
[16/Nov/2005:16:32:50 -0500]
Date: DD/MM/AAAA
Time: HH:MM:SS
Time Zone: (+|-)HH00 relativo ao GMT
27
Web log: Request "GET /jobs/ HTTP/1.1"
Method: GET HEAD POST OPTIONS …
URL: Relativo ao domínio
Protocolo HTTP: e.g. HTTP/1.0 or HTTP/1.1
Nota: a requisição é armazenada como é enviada, assim, pode conter erros, falhas, e qualquer tipo de coisa estranha.
28
Web log: Status code 200 Status (Response) code. Os mais importantes são: ● 200 – OK (é o mais frequente, ainda bem!) ● 206 – acesso parcial ● 301 – redirecionamento permanente ● 302 – redirecionamento temporário ● 304 – não modificado ● 404 – não encontrado ● …
29
Web log: Object size 15140 O tamanho do objeto retornado ao cliente
(em bytes) Pode ser “-” se o código de status for 304
30
Web log: Referrer http://www.google.com/search?q=salary
+for+data+mining&hl=en&lr=&start=10&sa=N
URL que da qual o visitante veio (neste exemplo é uma query do Google: “salary for data mining”, 2a. Página de resutados– começando de 10) Também pode ser uma página estática, interna, externa ou “-” no caso de uma requisição direta (bookmark, por exemplo) Esta é uma informação valiosa
31
Web log: User agent "Mozilla/4.0 (compatible; MSIE 6.0;
Windows NT 5.1; SV1; .NET CLR 1.1.4322)"
User agent (browser) http://en.wikipedia.org/wiki/User_agent Por razões históricas, quase todos os browsers começam com Mozilla Em muitos casos pode-se ter informações adicionais:
Browser type, version : MSIE 6.0 - Internet Explorer 6.0 OS: Windows NT 5.1 (XP SP2) with .NET Framework 1.1 installed
32
Programas para análise de Web Log ● Free
– Analog, awstats, webalizer – Google analytics
● Comerciais – WebTrends, WebSideStory, …
www.kdnuggets.com/software/web-mining.html
33
Programas para análise de Web Log ● Podem fazer análises e emitir relatórios
como por exemplo: – lista de IPs conectados a um website – “pie chart” detalhando quais arquivos foram
acessados com mais frequência, e muitos outros
34
Itens identificados a partir dos dados coletados
● Usuário ● Click-streams – seqüência de requisições de
acessos a páginas. Os dados disponíveis pelo servidor nem sempre fornece informação para reconstruir um click-stream completo para um site
● Visões de páginas – uma única ação do usuário e pode consistir de vários arquivos: frames, gráficos, scripts. O usuário requer uma “web-page” e não cada um dos componentes.
35
● Sessões – click-stream de páginas para um único usuário por toda a web. Tipicamente, apenas a parte de cada sessão de usuário acessando um site específico pode ser usada para análise, pois informações de acesso não são públicas.
36
● Visita ou sessão do servidor – conjunto de acessos a páginas em uma sessão de usuário para um web site em particular.
● Um conjunto de visitas é a entrada necessária para qualquer ferramenta de análise de uso ou de mineração de dados.
● Episódios – subconjunto de uma sessão de usuário ou de servidor que tem significado semântico.
37
Processo de Web usage mining
● Pré-processamento
● Descoberta de Padrões
● Análise de Padrões
38
39
Processo de Web Usage Mining ● Pré-processamento ● Consiste em converter os dados disponíveis
nas várias fontes de dados identificando itens necessários para a descoberta de padrões.
● Considerada a etapa mais difícil em Web usage mining devido aos dados disponíveis não serem completos
40
Pré-processamento ● Identificar:
– Usuários – Sessões do servidor
● Usando: – Endereço de IP – Agente – Cadeia de requisições (click-streams)
41
Identificação de usuários
Problemas: ● IP único / Múltiplas sessões de servidor
– Um proxy pode ter vários usuários acessando um Web site, no mesmo período de tempo – registros do usuário não serão sequenciais nem no tempo correto.
● Múltiplos IPs / Sessão de servidor única – por motivo de segurança, o provedor pode
atribuir aleatoriamente um entre vários endereços de IP a cada requisição de um usuário.
42
● Múltiplos IP / Usuário único – um usuário que acessa a Web de máquinas
diferentes terá IPs diferentes a cada sessão, dificultando registro de visitas repetidas do mesmo usuário.
● Múltiplos agentes / Usuário único – o usuário pode usar diferentes browsers, de uma
mesma máquina, pode parecer mais de um usuário.
43
Exemplo- web server log
44
Identificação de usuários
Soluções: usar ● Cookies ● logins ● IP/agentes/caminhos
45
Identificação de sessões ● (depois de identificados cada usuário) ● Dividir o click-stream de cada usuário em
sessões ● Dificuldades: ● saber quando um usuário saiu de um
website – Requisições de outros websites não estão
disponíveis – Usar intervalo de tempo
46
● Inferir referências a páginas em cache – Exige monitoramento de uso do lado do cliente – O campo de referência pode ser usado para
detectar quando paginas em cache foram vistas
47
Referência a páginas com cópias locais
48
Exemplo – IP 123.456.78.9 é responsável por 3 sessões – IPs 209.456.78.2 e 209.45.78.3 são
responsáveis por uma sessão.
● Usando informações de referência e agente, linhas 1 a 11 podem ser divididas em:
A-B-F-O-G L-R A-B-C-J
● Complementando os caminhos seriam adicionadas páginas:
A-B-F-O-F-B-G L-R A-B-A-C-J
49
Registros de tempos de acesso errados no servidor
Tempo de acesso real
50
Visitas a páginas não registradas no sevidor
51
Detecção de robots e filtragem ● Web robots são programas que percorrem
automaticamente a estrutura de hyperlinks para localizar e recuperar informações.
● Porque distinguir: – Recuperam informação não autorizada – Sobrecarga de tráfego – Dificultam o acompanhamento de clik-streams
52
Identificação de transações ● Depois de identificadas as sessões,
transações devem ser inferidas ● Possível critério: transação é um caminho
dentro de uma sessão, terminando em uma página de conteúdo
● Páginas devem estar classificadas em : navegação e conteúdo
53
Descoberta de padrões ● Algoritmos e métodos de mineração de dados são
aplicados aos dados obtidos da web ● Análises estatísticas
– Método mais comum – Análises estatísticas descritivas: média, frequência,
mediana..) – Variáveis: visões de páginas, tempo de permanência,
comprimento do caminho de navegação. – Utilidade: melhorar desempenho do sistema, melhorar a
segurança, facilitar tarefas de modificação do site, apoiar decisões de mercado
54
Regras de Associação ● Características:
– Pode relacionar páginas que são acessadas com mais frequência em uma mesma sessão.
– Podem não estar relacionadas por um link
– Exemplo: relação entre usuários que visitaram uma página de produtos eletrônicos e aqueles que visitaram uma página de equipamentos esportivos
55
Regras de Associação ● Utilidade:
– Aplicações de negócios e comércio
– Reestruturação de web sites
– Pré-recuperação de documentos para reduzir a latência percebida pelo usuário para carregar página de um site remoto
56
Exemplos ● 60% dos clientes que acessaram /products
também acessaram /products/software/webminer.htm
● 30% dos clientes que acessaram /special-offer.htm submeteram um pedido on-line para /products/software
57
Agrupamento ● Características
– Grupos de usuários: identifica grupos de usuários com padrões de navegação semelhantes
– Grupos de páginas: identifica grupos de páginas tendo conteúdo semelhante
● Utilidade: – Inferir dados demográficos para segmentação de
mercado em e-commerce – Personalização – Sites de busca – Provedores de assistência na web
58
Agrupamento ● Páginas podem ser criadas para sugerir
hyperlinks para o usuário de acordo com as consultas do usuário ou históricos de necessidades de informação
●
59
Classificação ● Características:
– Identifica atributos que melhor descrevem as características de uma dada classe
– Exemplo: 30% dos usuários que compraram alguma coisa no setor Produto/Musica estão na faixa de 18-25 anos e moram na região sudeste.
● Utilidade: – Permite define perfis de usuários que pertencem
a uma classe ou categoria
60
Exemplos ‒ agrupamento e classificação
● Clientes que frequentemente acessam /products/software.webminer.htm tendem a ser de instituições de ensino
● Clientes que fizeram pedido on-line para software tendem a ser estudantes na faixa etária de 20-25 e moram nos EUA
● 75% dos clientes que fizeram download de softwares de products/software/demos visitam entre 7 e 11 pm nos finais de semana
61
Análise de Padrões ● Filtra as regras ou padrões que não tem
utilidade
62
