METODOLOGIA DE MINERAÃÃO DE DADOS PARA ANÃLISE DO ...

More documents

Recommendations

Info

às propriedades específicas do web site. Ele propõe que sejam utilizadas informações deconteúdo e de estrutura do site para a melhoria deste processo. VELÁSQUEZ et al.(2003a) mostram uma solução para analisar o comportamento de visitantes num website combinando dados de conteúdo e de log.Uma das áreas que vem sendo muito pesquisada é o Semantic Web Mining, que é ainteração de Web Mining com Semantic Web (BERENDT et al., 2002). A SemanticWeb é um termo criado por Tim Berner-Lee para definir um ambiente onde asinformações da web podem ser processadas por máquinas. (BERNERS-LEE et al.,2001). A idéia básica é adicionar conhecimentos às páginas web (que podem serprocessados), os quais são representados na forma de ontologias. Ontologias definemcertos tipos de objetos e as relações entre eles (FENSEL, 2001). Além disso, sãofacilmente acessáveis, permitindo que programas de computadores as usem para inferirsobre informações contidas em páginas web.Cabe aqui ressaltar que existe uma diferença na interpretação de ontologia entre osfilósofos e a comunidade de inteligência artificial. Para a engenharia de software,ontologia descreve certa realidade com um vocabulário específico, usando um conjuntode premissas de acordo com o sentido intencional das palavras do vocabulário. Nosentido filosófico, ontologia é um sistema específico de categorias que reflete uma visãoespecífica do mundo ou, de forma mais simples, uma ontologia é uma teoria que explicacomo o universo é organizado. Desta forma, pode-se dizer que para o engenheiro desoftware existem diversas ontologias, enquanto que para o filósofo existe apenas uma, aOntologia (com letra maiúscula). Para resolver esta questão, foi criada uma distinçãoterminológica entre uma ontologia baseada na realidade (ontologia-R) e uma ontologiaepistemológica (ontologia-E). A ontologia-R corresponde ao mundo dos filósofosenquanto que a ontologia-E serve aos propósitos dos engenheiros de software(FONSECA et al., 2000).Especificamente em Web Usage Mining, este tipo de conhecimento das páginasvisitadas durante a navegação dos usuários pode melhorar consideravelmente osresultados de mineração, uma vez que ajuda o analista, entre outras coisas, a entender oque os usuários estavam procurando e a verificar co-ocorrências de conteúdo.36
Existem também trabalhos que se distinguem, principalmente, pela inovação naaplicação. Nessa linha, duas aplicações interessantes de Web Usage Mining foramapresentadas recentemente por WOON et al. (2003) e SOUTO (2003).No primeiro trabalho os autores propõem a utilização de técnicas de mineração de logpara melhoria do processo de desenvolvimento de produto, onde projetistas,fornecedores, parceiros de negócio e até mesmo consumidores colaboram, via Internet,em todo o ciclo de vida do produto. Eles apresentam um método, denominado PDMiner(Product Development Miner), que extrai o conhecimento de como os produtos podemser projetados mais rápidos através do descobrimento dos relacionamentos entre peças etipo de montagem, e descobrimento da interação entre as pessoas envolvidas nesteprocesso de desenvolvimento.O segundo trabalho descreve uma metodologia para investigar como modelar o EstiloCognitivo de Aprendizagem (ECA) de um aluno remoto, baseado na observação eanálise de seu comportamento em um ambiente de ensino e aprendizagem na web. Estametodologia compreende duas fases: (a) geração das classes de ECA a partir daaplicação de um teste psicológico em uma amostra da população-alvo; e (b)desenvolvimento do módulo de ensino experimental e estudo das Trajetórias deAprendizagem (TA) padrão das classes de ECA, a partir da observação de seuscomportamentos durante a execução de uma sessão de estudo na web. A primeira fasefoi realizada através de análises estatísticas, pela aplicação das técnicas de AnáliseFatorial e Análise de Cluster. Na segunda fase foram aplicadas técnicas de AnáliseExploratória de Dados (para formulação de hipóteses) e de Web Usage Mining (paraconstrução de modelos de classificação de ECAs).37
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 22 and 23: 1.5 Termos e definiçõesNa estrutu
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 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 ...

Create successful ePaper yourself

Delete template?

Save as template?

METODOLOGIA DE MINERAÃÃO DE DADOS PARA ANÃLISE DO ...