×
罗伯塔·西西里亚诺；安东尼奥·达姆布罗西奥；马西莫·阿里亚；索尼娅·阿莫迪奥

网络访问历史分析。二： 通过嵌套STUMP回归树预测导航。 （英语） Zbl 1382.68024号

J.分类。 34，第3号，473-493（2017）.
摘要：本文通过一个新的web使用方法框架，即考虑关联规则理论的结构挖掘，构成了对web访问历史分析的贡献的第二部分。其目的是通过树状结构探索直接规则（即路径）的序列，这些规则描述了一个网页导航员在网页上站立的时间更长，而路径则描述了提前离开网页的导航员的特征。引入了一种新颖的基于树的结构，以考虑到学习样本会逐个点击进行更改，而忽略了在任何点击后从web上退出的导航器。每个时间点的响应变量是离开web之前的剩余点击次数。分裂是由描述首选腹板截面的预测因子引起的。引入的方法产生了嵌套树桩回归树，它是树桩树的层次结构，其中树桩是只有一个分割的树，或者等效地，只有两个终端节点。概述了合适的特性。正如对网络访问历史分析贡献的第一部分，通过考虑一个具有固定网页部分集的门户网站，即来自UCI机器学习库的数据集，提供了方法描述。
第一部分见[提交人，同上33，第2号，298-324（2016；Zbl 1351.68034号)].

MSC公司：

68英里11 互联网主题
62H25个 因子分析和主成分；对应分析
第62页第25页 统计学在社会科学中的应用
68T05型 人工智能中的学习和自适应系统

关键词：

web路径；顺序规则；递归分区；web使用-结构挖掘

引文：

Zbl 1351.68034号

软件：

阿达·布斯特。MH公司；ElemStatLearn（电子状态学习）
PDF格式BibTeX公司 XML格式引用
\textit{R.Siciliano}等人，J.Classif。34，第3号，473--493（2017；Zbl 1382.68024）
全文： 内政部

参考文献：

[1] AGRAWAL，R.和SRIKANT，R.（1994），“挖掘关联规则的快速算法”，《第20届超大数据库国际会议论文集》，VLDB，第1215卷，第487-499页。
[2] 布拉克，E。；GIUDICI，P.，《网络点击流分析的序列规则》，1-14（2002），柏林，海德堡·Zbl 1063.68628号
[3] BREIMAN，L.（1996），“打包预测”，机器学习，24（2），123-140·Zbl 0858.68080号
[4] BREIMAN，L.（2001），“随机森林”，机器学习，45（1），5-32·Zbl 1007.68152号 ·doi:10.1023/A:1010933404324
[5] BREIMAN，L.、FRIEDMAN，J.、OLSHEN，R.A.和STONE，C.J.（1984），《分类和回归树》，博卡拉顿：CRC出版社·Zbl 0541.62042号
[6] CAPPELLI，C.、MOLA，F.和SICILIANO，R.（2002），“一种生长可靠诚实树的统计方法”，计算统计学和数据分析，38（3），285-299·Zbl 1079.62516号 ·doi:10.1016/S0167-9473（01）00044-5
[7] CHAKRABARTI，S.（2002），《挖掘网络：从超文本数据中发现知识》，荷兰：爱思唯尔出版社。
[8] COOLEY，R.、MOBASHER，B.和SRIVASTAVA，J.（1999），“挖掘万维网浏览模式的数据准备”，知识和信息系统，1（1），5-32·doi:10.1007/BF03325089
[9] D’AMBROSIO，A.、ARIA，M.和SICILIANO，R.（2012），“统计学习范式中基于树的精确缺失数据插补和数据融合”，《分类杂志》，29（2），227-258·Zbl 1360.62324号 ·doi:10.1007/s00357-012-9108-1
[10] 达姆布罗西奥，A。；PECORARO，M.，作为Web序列规则可视化工具的多维缩放，309-316（2011），柏林，海德堡·doi:10.1007/978-3-642-13312-1_32
[11] D’AMBROSIO，A.、PECORARO，M.和SICILIANO，R.（2008），“通过多维缩放和树实现Web偏好可视化”，摘自DATAVIZ VI国际会议：统计图形：当今多媒体社会的数据和信息可视化，不来梅，2008年6月25-28日。
[12] DIETTERICH，TG，机器学习中的集成方法，1-15（2000），柏林
[13] ETZIONI，O.（1996），“世界范围的网络：困境还是金矿？”，《ACM通讯》，39（11），65-68·数字对象标识代码：10.1145/240455.240473
[14] FOKKEMA，M.、SMITS，N.、ZEILEIS，A.、HOTHORN，T.和KELDERMAN，H.（2015），“用广义线性混合效应模型树检测聚类数据中的处理-子组相互作用”，因斯布鲁克大学经济与统计学院工作论文，ftp://ftp.repec.org/opt/ReDIF/repec/inn/wpaper/2015-10.pdf。
[15] FREUND，Y.，和SCHAPIRE，R.E.（1997），“在线学习的决策理论推广及其应用”，《计算机与系统科学杂志》，55（1），119-139·Zbl 0880.68103号 ·doi:10.1006/jcss.1997.1504
[16] FU，W.和SIMONOFF，J.S.（2015），“纵向和聚类数据的无偏回归树”，计算统计和数据分析，88，53-74·Zbl 1468.62058号 ·doi:10.1016/j.csda.2015.02.004
[17] GIUDICI，P.和FIGINI，S.（2009），《应用数据挖掘：商业和工业统计方法》，纽约：John Wiley and Sons出版社·Zbl 1168.6202号 ·doi:10.1002/9780470745830
[18] HASTIE，T.、TIBSHIRANI，R.和FRIEDMAN，J.（2009），《统计学习的要素：数据挖掘、推断和预测》，柏林：施普林格出版社·Zbl 1273.62005年 ·doi:10.1007/978-0-387-84858-7
[19] IBA，W.和LANGLEY，P.（1992），“一级决策树的归纳”，《第九届机器学习国际会议论文集》，第233-240页。
[20] KOSALA，R.和BLOCKEEL，H.（2000），“网络挖掘研究：调查”，ACM SIGKDD Explorations，2，1-15。
[21] LINOFF，G.S和BERRY，M.J.（2001），《挖掘网络：将客户数据转化为客户价值》，纽约：John Wiley and Sons，Inc。
[22] MOLA，F.和SICILIANO，R.（1997），“分类和回归树的快速分割程序”，《统计与计算》，第7期，第208-216页·doi:10.1023/A:1018590219790
[23] PECORARO，M.和SICILIANO，R.（2008），“Web使用挖掘中用户特征分析的统计方法”，载于《文本和Web挖掘技术研究手册》，M.Song和Y.B.Wu编辑，宾夕法尼亚州好时：Idea Group Inc.，第359-368页·Zbl 0940.62002号
[24] SICILIANO，R.、D’AMBROSIO，A.、ARIA，M.和AMODIO，S.（2016），“网络访问历史分析，第一部分：基于距离的序列规则可视化”，《分类杂志》，33（2），298-324·Zbl 1351.68034号 ·doi:10.1007/s00357-016-9204-8
[25] SICILIANO，R.和MOLA，F.（1996），“快速回归树程序”，载于第十一届统计建模国际研讨会论文集，编辑A.Forcina、G.M.Marchetti、R.Hatzinger和G.Galmacci，Citta’di Castello IT:Graphos，第332-340页·Zbl 1063.68628号
[26] SICILIANO，R.和MOLA，F.（2000），“通过分类和回归树进行多变量数据分析”，计算统计学和数据分析，32285-301·Zbl 0940.62002号 ·doi:10.1016/S0167-9473（99）00082-1
[27] SRIVASTAVA，J.、COOLEY，R.、DESHPANDE，M.和PANG-NING T.，（2000），“Web使用挖掘：从Web数据中发现和应用使用模式”，ACM SIGKDD探索新闻稿，1（2），12-23·doi:10.1145/846183.846188
[28] VEZZOLI，M.（2011），“通过新型集成学习探索整体工作满意度的各个方面”，《应用统计分析电子期刊》，4（1），23-38。
[29] 张，C.和张，S.（2002），《关联规则挖掘：模型和算法》，海德堡：施普林格出版社·Zbl 0998.68047号 ·数字对象标识代码：10.1007/3-540-46027-6
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。