METODOLOGIA DE MINERAÃÃO DE DADOS PARA ANÃLISE DO ...

More documents

Recommendations

Info

1.5 Termos e definiçõesNa estrutura da web existe um grande número de termos específicos, cujas definiçõessão geradas pelo World Wide Web Consortium (W3C, 1999), organização responsávelpela sua padronização. Os termos mais relacionados a este trabalho estão apresentadosna Tabela 1.1.TermoPágina webURL (Uniform Resource Locator)Web siteUsuárioServidor webSessão de usuárioSessão de servidorEpisódioVisita a uma página (page view)Seqüência de cliques (clickstream)Referidor (referrer)Cookie 1DefiniçãoConjunto de informações que são apresentadassimultaneamente e são identificadas por uma URLString de caracteres num formato padronizado queidentifica um recurso na web e indica como localizá-loColeção de páginas web interconectadas, incluindo umapágina principal, residindo no mesmo local da redeIndivíduo que está acessando arquivos de um servidorweb utilizando um navegador (browser)Servidor que oferece acesso a recursos da web e, quandosolicitado, entrega-os ao requisitanteConjunto delimitado de cliques do usuário em um ou maisservidor webConjunto de cliques num determinado servidor webdurante uma sessão de usuário. Também é chamada devisitaSubconjunto das páginas acessadas em uma sessãoResposta visual de uma página web num ambienteespecífico e determinado ponto do tempoSeqüência de page views solicitadas, feitas por um únicousuárioPágina de onde partiu a referência para a visita atualPequeno arquivo transferido por um web site, que ficaarmazenado no computador do cliente, contendoinformações que serão usadas na sua identificaçãoTabela 1.1 – Definições de termos da web1 Apesar de não fazer parte do padrão do protocolo HTTP, é adotado pelos principais servidores web enavegadores do mercado.8
1.6 Contribuição da teseO objetivo principal deste trabalho é demonstrar que existe a possibilidade de integraçãode Web Usage Mining com a Análise do Comportamento, propiciando a definição deuma metodologia para analisar o comportamento de navegar num web site. Estapesquisa se diferencia por tentar efetivamente analisar o comportamento dos visitantesde um web site de modo objetivo, sem atribuir rótulos aos usuários por meio deinterpretações subjetivas.O grande desafio é integrar duas disciplinas que são totalmente distintas, não apenas naárea, mas nos conceitos. Enquanto a Análise do Comportamento é realizada de formaindividual, onde as informações coletadas ao longo do tempo servem para comparar umindivíduo consigo mesmo, em Web Usage Mining o estudo é voltado para grupos deindivíduos.Esta metodologia permitirá que haja uma técnica efetiva para avaliação e modificaçãode web sites já existentes. De forma secundária, espera-se que esta metodologia deanálise do comportamento possa efetivamente ser aplicada nos sites das empresas paragerar resultados. Numa época onde o volume de transações realizadas pela web aumentaprogressivamente, é necessário que os sites se transformem em instrumentos denegócio.Não faz parte do escopo deste trabalho fazer um comparativo das técnicas de WebUsage Mining, e nem avaliar ou melhorar o desempenho dos algoritmos utilizados.1.7 Estrutura da teseEsta tese está organizada em 8 capítulos.O capítulo 2 descreve o processo de Web Usage Mining, mostrando as principaisferramentas do mercado e os trabalhos relevantes já desenvolvidos nesta área.9
Page 1 and 2: METODOLOGIA DE MINERAÇÃO DE DADOS
Page 4 and 5: AgradecimentosAo Prof. Nelson, por
Page 6 and 7: Abstract of Thesis presented to COP
Page 8 and 9: 4.2 Nova abordagem ................
Page 10 and 11: Índice de figurasFigura 1.1 - Tipo
Page 12 and 13: Figura 6.32 - Estatísticas dos int
Page 14 and 15: Índice de tabelasTabela 1.1 - Defi
Page 16 and 17: & KOWALCZYK, 2005, SPILIOPOULOU et
Page 18 and 19: • Os dados de perfil de usuário
Page 20 and 21: LIU et al. (2002) onde, através de
Page 24 and 25: No capítulo 3 são apresentadas as
Page 26 and 27: Figura 2.1 - Diagrama simplificado
Page 28 and 29: BRANDMAN et al. (1999) fazem um est
Page 30 and 31: Conteúdo Campo Definiçãoshasta04
Page 32 and 33: Esta fase de pré-processamento, ju
Page 34 and 35: owser dos usuários e têm a funç
Page 36 and 37: 2.3.2 Descobrimento de padrõesUma
Page 38 and 39: • A => C (suporte = 50%, confian
Page 40 and 41: 2.3.2.4 ClassificaçãoUma tarefa d
Page 42 and 43: 2.5 FerramentasAs ferramentas 3 par
Page 44 and 45: pacote quanto de serviço. Seus pre
Page 46 and 47: O projeto WebSIFT (Web Site Informa
Page 48 and 49: as associações existentes entre p
Page 50 and 51: às propriedades específicas do we
Page 52 and 53: Capítulo 3ComportamentoO comportam
Page 54 and 55: • usar procedimentos objetivos na
Page 56 and 57: 3.1.1 Behaviorismo RadicalNenhum pe
Page 58 and 59: organismo não é nem gerente nem i
Page 60 and 61: Neste diagrama, o S D indica o est
Page 62 and 63: Todos estes processos são respons
Page 64 and 65: científica dos séculos 16 e 17, a
Page 66 and 67: (software) e o cérebro um meio fí
Page 68 and 69: No caso da web, esta usabilidade en
Page 70 and 71: Capítulo 4MetodologiaQuando se tra
Page 72 and 73:
Além disso, TANASA (2005) enumera
Page 74 and 75:
4.2 Nova abordagemPara que a técni
Page 76 and 77:
Web Usage Mining não se preocupam
Page 78 and 79:
propósito distinto para cada usuá
Page 80 and 81:
Apesar dos padrões encontrados pos
Page 82 and 83:
Capítulo 5ValidaçãoPara validar
Page 84 and 85:
5.1 Pré-processamentoPara o tratam
Page 86 and 87:
10. Associacao_uri_stem.py: avalia
Page 88 and 89:
Para cada conjunto neste grupo, o C
Page 90 and 91:
• Seqüência máxima em memória
Page 92 and 93:
Capítulo 6Estudo de caso 1O primei
Page 94 and 95:
6.1 Características dos acessosCom
Page 96 and 97:
Figura 6.4 - Atividades por dia da
Page 98 and 99:
Utilizando o critério de time-out
Page 100 and 101:
Figura 6.6 - Histograma do tamanho
Page 102 and 103:
Figura 6.9 - Histograma de tempo en
Page 104 and 105:
Ordem Página Qtde1 /2004/index.sht
Page 106 and 107:
Figura 6.11 - Resultado do cálculo
Page 108 and 109:
Figura 6.13 - Regras obtidasAs pág
Page 110 and 111:
classificar e rotular os grupos de
Page 112 and 113:
Para a análise dos intervalos (qua
Page 114 and 115:
Este caso é um exemplo de bom func
Page 116 and 117:
Também faz parte deste detalhament
Page 118 and 119:
Este é um exemplo onde as duas pá
Page 120 and 121:
As estatísticas do tempo total de
Page 122 and 123:
com o especialista, como este tempo
Page 124 and 125:
As estatísticas do tempo total de
Page 126 and 127:
Apesar da confiança baixa (16%), e
Page 128 and 129:
Na Figura 6.30 estão apresentadas
Page 130 and 131:
As estatísticas mostradas na Figur
Page 133 and 134:
6.12 Outras hipótesesAlém das hip
Page 135 and 136:
Capítulo 7Estudo de caso 2O segund
Page 137 and 138:
Figura 7.2 - Página principal em p
Page 139 and 140:
Figura 7.5 - Acessos por hora do di
Page 141 and 142:
Na Tabela 7.1 são mostradas a quan
Page 143 and 144:
Figura 7.9 - Histograma de tempo en
Page 145 and 146:
A página de tarifas, escolhida com
Page 147 and 148:
Página/hotelbucsky/tarifa.htm/hote
Page 149 and 150:
7.6 Detalhamento dos padrõesDescob
Page 151 and 152:
Nesta regra, conforme mostrado na F
Page 153 and 154:
Ainda referente à regra R1, també
Page 155 and 156:
Suporte=18%63%24Probabilidadedestas
Page 157 and 158:
Mediana = 58Figura 7.18 - Histogram
Page 159 and 160:
7.9 Análise da regra R3Na Figura 7
Page 161 and 162:
Page 163 and 164:
Suporte=53%53%Probabilidadedesta p
Page 165 and 166:
Page 167 and 168:
• As páginas do site parecem est
Page 169 and 170:
adequadas ao negócio, surjam hipó
Page 171 and 172:
• Estudar a utilização de tempo
Page 173 and 174:
Referências bibliográficasAGRAWAL
Page 175 and 176:
COOLEY, R., MOBASHER, B., SRIVASTAV
Page 177 and 178:
FRIAS-MARTINEZ, E., KARAMCHETI, V.,
Page 179 and 180:
LIU, B., ZHAO, K., YI, L., 2002,
Page 181 and 182:
PERKOWITZ, M., ETZIONI, O., 1997,
Page 183 and 184:
SRIKANT, R., AGRAWAL, R., 1996, “
Page 185 and 186:
Apêndice AReferências de ferramen
Page 187 and 188:
Seleciona_log.py (emagrecendo.com.b
Page 189 and 190:
Seleciona_log.py (hotelbucsky.com.b
Page 191 and 192:
Gera_robots_distintos.pyimport stri
Page 193 and 194:
Elimina_navegacao_robots.py 6import
Page 195 and 196:
Gera_navegacao_total_memoria.pyimpo
Page 197 and 198:
Gera_uri_stem_distintos.pyimport st
Page 199 and 200:
Checa_uri_stem_valido.py 7import st
Page 201 and 202:
i = (j * 3) + 3d2 = string.splitfie
Page 203 and 204:
entrada = open(arqin)for line in en
Page 205 and 206:
h2 = string.splitfields(rec[k+1], '
Page 207 and 208:
for j in range(0,10-len(rec[2])):re
Page 209 and 210:
Conta_uri_stem_sessao_transposta.py
Page 211 and 212:
Tempo_associacao.py 8import stringi
Page 213 and 214:
Intervalo_associacao.pyimport strin
Page 215 and 216:
print ' 'else:print 'Arquivo ' + ar
Page 217 and 218:
Figura C.1 - Página “/2004/bal_v
Page 219 and 220:
Figura C.3 - Página “/2004/rec_e
Page 221 and 222:
Apêndice DPáginas do hotelbucsky.
Page 223 and 224:
Figura D.2 - Página “/hotelbucsk
Page 225 and 226:
Figura D.4a - Página “/hotelbucs
Page 227 and 228:
Figura D.4c - Página “/hotelbucs
Page 229:
Figura D.5 - Página “/hotelbucsk
show all

METODOLOGIA DE MINERAÃÃO DE DADOS PARA ANÃLISE DO ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?

METODOLOGIA DE MINERAÃÃO DE DADOS PARA ANÃLISE DO ...