數(shù)據(jù)挖掘技術在科技期刊網(wǎng)站中的應用論文
隨著互聯(lián)網(wǎng)技術的快速發(fā)展，學術研究環(huán)境較以前更加開放，對傳統(tǒng)的科技出版業(yè)提出了開放性、互動性和快速性的要求; 因此，以信息技術為基礎的現(xiàn)代數(shù)字化出版方式對傳統(tǒng)的科技出版業(yè)產(chǎn)生著深刻的影響。為了順應這一趨勢，不少科技期刊都進行了數(shù)字化建設，構建了符合自身情況、基于互聯(lián)網(wǎng)B /S 結構的稿件處理系統(tǒng)。
以中華醫(yī)學會雜志社為代表的部分科技期刊出版集團均開發(fā)使用了發(fā)行系統(tǒng)、廣告登記系統(tǒng)、在線銷售系統(tǒng)以及站。這些系統(tǒng)雖然積累了大量的原始用戶業(yè)務數(shù)據(jù); 但從工作系統(tǒng)來看，由于數(shù)據(jù)本身只屬于編輯部的業(yè)務數(shù)據(jù)，因此一旦相關業(yè)務工作進行完畢，將很少再對這些數(shù)據(jù)進行分析使用。
隨著目前人工智能和機器學習技術的發(fā)展，研究人員發(fā)現(xiàn)利用最新的數(shù)據(jù)挖掘方法可以對原始用戶業(yè)務數(shù)據(jù)進行有效分析和學習，找出其中數(shù)據(jù)背后隱含的內在規(guī)律。這些有價值的規(guī)律和寶貴的經(jīng)驗將對后續(xù)科技期刊經(jīng)營等工作提供巨大的幫助。
姚偉欣等指出，從STM 期刊出版平臺的技術發(fā)展來看，利用數(shù)據(jù)存取、數(shù)據(jù)管理、關聯(lián)數(shù)據(jù)分析、海量數(shù)據(jù)分析等數(shù)據(jù)挖掘技術將為科技期刊的出版和發(fā)行提供有力的幫助。通過使用數(shù)據(jù)挖掘( data mining) 等各種數(shù)據(jù)處理技術，人們可以很方便地從大量不完全且含有噪聲或相對模糊的實際數(shù)據(jù)中，提取隱藏在其中有價值的信息，從而對后續(xù)科技期刊出版工作起到重要的知識發(fā)現(xiàn)和決策支持的作用。
1 數(shù)據(jù)挖掘在科技期刊中應用的現(xiàn)狀
傳統(tǒng)的數(shù)據(jù)庫對數(shù)據(jù)的處理功能包括增、刪、改、查等。這些技術均無法發(fā)現(xiàn)數(shù)據(jù)內在的關聯(lián)和規(guī)則，更無法根據(jù)現(xiàn)有數(shù)據(jù)對未來發(fā)展的趨勢進行預測。現(xiàn)有數(shù)據(jù)挖掘的任務可以分為對數(shù)據(jù)模型進行分類或預測、數(shù)據(jù)總結、數(shù)據(jù)聚類、關聯(lián)規(guī)則發(fā)現(xiàn)、序列模式發(fā)現(xiàn)、依賴關系發(fā)現(xiàn)、異常或例外點檢測以及趨勢發(fā)現(xiàn)等，但目前國內科技期刊行業(yè)利用數(shù)據(jù)挖掘方法進行大規(guī)模數(shù)據(jù)處理仍處在起步階段。張品純等對中國科協(xié)所屬的科技期刊出版單位的現(xiàn)狀進行分析后發(fā)現(xiàn)，中國科協(xié)科技期刊出版單位多為單刊獨立經(jīng)營，單位的規(guī)模較小、實力較弱，多數(shù)出版單位不具備市場主體地位。這樣就導致國內大部分科技期刊既沒有能力進行數(shù)據(jù)挖掘，也沒有相應的數(shù)據(jù)資源準備。以數(shù)據(jù)挖掘技術應用于期刊網(wǎng)站為例，為了進行深入的數(shù)據(jù)分析，期刊經(jīng)營人員需要找到稿件與讀者之間、讀者群體之間隱藏的內在聯(lián)系。目前，數(shù)據(jù)挖掘的基本步驟為: 1) 明確數(shù)據(jù)挖掘的對象與目標;2) 確定數(shù)據(jù)源; 3) 建立數(shù)據(jù)模型; 4) 建立數(shù)據(jù)倉庫; 5)數(shù)據(jù)挖掘分析; 6) 對象與目標的數(shù)據(jù)應用和反饋。
2 期刊數(shù)據(jù)的資源整合
編輯部從稿件系統(tǒng)、發(fā)行系統(tǒng)、廣告系統(tǒng)、站等各個系統(tǒng)中將相關數(shù)據(jù)進行清洗、轉換和整理，然后加載到數(shù)據(jù)倉庫中。進一步，根據(jù)業(yè)務應用的范圍和緊密度，建立相關數(shù)據(jù)集市。期刊數(shù)據(jù)資源的整合過程從數(shù)據(jù)體系上可分為數(shù)據(jù)采集層、數(shù)據(jù)存儲處理層和數(shù)據(jù)展現(xiàn)層。
要獲得能夠適合企業(yè)內部多部門均可使用、挖掘和分析的數(shù)據(jù)，可以從業(yè)務的關聯(lián)性分析數(shù)據(jù)的準確性、一致性、有效性和數(shù)據(jù)的內在關聯(lián)性。
3 期刊數(shù)據(jù)的信息挖掘
信息挖掘為了從不同種類和形式的業(yè)務進行抽取、變換、集成數(shù)據(jù)，最后將其存儲到數(shù)據(jù)倉庫，并要對數(shù)據(jù)的質量進行維護和管理。數(shù)據(jù)挖掘可以有效地識別讀者的閱讀行為，發(fā)現(xiàn)讀者的閱讀模式和趨勢，對網(wǎng)站改進服務質量、取得更好的用戶黏稠度和滿意度、提高科技期刊經(jīng)營能力有著重要的意義。作為一個分析推薦系統(tǒng)，我們將所分析的統(tǒng)計結果存儲于服務器中，在用戶或決策者需要查詢時，只需輸入要找尋的用戶信息，系統(tǒng)將從數(shù)據(jù)庫中抽取其個人信息，并處理返回到上網(wǎng)時間分布、興趣點所在、適配業(yè)務及他對于哪些業(yè)務是有價值客戶，甚至包括他在什么時段對哪類信息更感興趣等。只有這些信息才是我們的使用對象所看重和需要的。
網(wǎng)站結構挖掘是挖掘網(wǎng)站中潛在的鏈接結構模式。通過分析一個網(wǎng)頁的鏈接、鏈接數(shù)量以及鏈接對象，建立網(wǎng)站自身的鏈接結構模式。在此過程中，如果發(fā)現(xiàn)某一頁面被較多鏈接所指向，則說明該頁面信息是有價值的，值得期刊工作人員做更深層次的挖掘。網(wǎng)站結構挖掘在具體應用時采用的結構和技術各不相同; 但主要過程均包括預處理、模式發(fā)現(xiàn)和模式分析3 部分。為了反映讀者興趣取向，就需要對數(shù)據(jù)庫中的數(shù)據(jù)按用戶進行抽樣分析，得到興趣點的統(tǒng)計結果，而個人的興趣分析也可基于此思路進行。下面以《中華醫(yī)學雜志》為例做一介紹。
預處理預處理是網(wǎng)站結構挖掘最關鍵的一個環(huán)節(jié)，其處理得到的數(shù)據(jù)質量直接關系到使用數(shù)據(jù)挖掘和模式分析方法進行分析的結果。預處理步驟包括數(shù)據(jù)清洗、用戶識別、會話識別、路徑補充和事件識別。以《中華醫(yī)學雜志》網(wǎng)站www. nmjc. net. cn 的日志分析為例。首先給出一條已有的Log，其內容為“2014-03-04 12: 13: 47 W3SVC80003692 172. 22. 4. 3GET /index. asp-80-123. 185. 247. 49Mozilla /5. 0 +( Windows + NT + 6. 1; + WOW64 ) + AppleWebKit /537. 36 + ( KHTML，+ like + Gecko) + Chrome /28. 0.1500. 95 + Safari /537. 36 + SE + 2. X + MetaSr + 1. 0200 0 0”。從Log 的內容，工作人員可以得到相關信息，如用戶IP、用戶訪問頁面事件、用戶訪問的頁面、用戶請求的方法、返回HTTP 狀態(tài)以及用戶瀏覽的上一頁面等內容。
由于服務器同時部署了多個編輯部網(wǎng)站，這就要求工作人員必須對得到的訪問www. nmjc. net. cn 日志，去除由爬蟲軟件產(chǎn)生的記錄。這些記錄一般都會在日志結尾包含“Spider”的字樣。同時，還需要去除不是由GET 請求產(chǎn)生的日志以及請求資源不是頁面類型的日志。最后，工作人員還需要去除訪問錯誤的請求，可以根據(jù)日志中請求的狀態(tài)進行判斷。一般認為，請求狀態(tài)在( 200， 300) 范圍內是訪問正確的日志，其他如403、400 和500 等都是訪問錯誤的日志。用戶識別可以根據(jù)用戶的IP 地址和用戶的系統(tǒng)信息來完成。只有在IP 地址和系統(tǒng)信息都完全一致的情況下，才識別為一個用戶。會話識別是利用面向時間的探索法，根據(jù)超時技術來識別一個用戶的多次會話。如果用戶在一段時間內沒有任何操作，則認為會話結束。用戶在規(guī)定時間后重新訪問，則被認為不屬于此次會話，而是下次會話的開始。
利用WebLogExplore 分析日志、用戶和網(wǎng)頁信息在獲得了有效的日志數(shù)據(jù)后，工作人員可以利用一些有效數(shù)據(jù)挖掘算法進行模式發(fā)現(xiàn)。目前，主要的數(shù)據(jù)挖掘方法有統(tǒng)計分析、關聯(lián)規(guī)則、分類、聚類以及序列模式等技術。本文主要討論利用Apriori 算法來發(fā)現(xiàn)科技期刊日志數(shù)據(jù)中的關聯(lián)規(guī)則。本質上數(shù)據(jù)挖掘不是用來驗證某個假定的模式的正確性，而是在數(shù)據(jù)庫中自己尋找模型，本質是一個歸納的過程。支持度( Support) 的公式定義為: Support ( A≥B) = P( A ∪B) 。支持度可以用于度量事件A 與B 同時出現(xiàn)的概率。如果事件A 與B 同時出現(xiàn)的概率較小，說明事件A 與B 的關系不大; 如果事件A 與B 同時出現(xiàn)非常頻繁，則說明事件A 與B 總是相關的。置信度( Confidence) 的公式定義為: Confidence( A≥B) = P( A | B) 。置信度揭示了事件A 出現(xiàn)時，事件B 是否也會出現(xiàn)或有多大概率出現(xiàn)。如果置信度為100%，則事件A 必然會導致事件B 出現(xiàn)。置信度太低，說明事件A 的出現(xiàn)與事件B 是否出現(xiàn)關系不大。
對所有的科技期刊日志數(shù)據(jù)進行預處理后，利用WebLogExplore 軟件可得到日志匯總表。表中存儲了所有用戶訪問網(wǎng)站頁面的詳細信息，工作人員可將其導入數(shù)據(jù)庫中。以查看到所選擇用戶訪問期刊頁面的詳細信息。
同樣，在WebLogExplore 軟件中選擇感興趣的頁面，可以查看所有用戶訪問該頁面的統(tǒng)計信息，如該頁面的訪問用戶數(shù)量等。工作人員可以對用戶訪問排名較高的頁面進行進一步的模式分析。
步驟1: 將圖2 日志信息匯總表中的數(shù)據(jù)導入數(shù)據(jù)庫中，建立日志總表。
步驟2: 在數(shù)據(jù)庫中建立一個新表命名為tj。
步驟3: 通過查詢程序得到日志總表中每一個用戶訪問的頁面，同時做distinct 處理。
步驟4: 將查詢得到的用戶訪問頁面記錄進行判斷。如果用戶訪問過排名前20 位的某個頁面，則在數(shù)據(jù)庫中寫入true，否則寫入false。依次循環(huán)判斷寫入數(shù)據(jù)庫中。
步驟5: 統(tǒng)計每個訪問排名靠前頁面的支持度，設置一維項目集的最小閥值( 10%) 。
步驟6: 統(tǒng)計大于一維閥值的頁面，寫入數(shù)組，并對數(shù)組內部頁面進行兩兩組合，統(tǒng)計每個組合2 個頁面值均為true 時的二維項目集的支持度。
步驟7: 設置二維項目集支持度的閥值，依次統(tǒng)計三維項目集支持度和置信度( A≥B) ，即當A 頁面為true 時，統(tǒng)計B 頁面為true 的數(shù)量，除以A 為true 的數(shù)量。設置相應的.置信度閥值，找到訪問排名靠前頁面之間較強的關聯(lián)規(guī)則。
4 數(shù)據(jù)挖掘技術應用的意義
1) 對頻繁訪問的用戶，可以使用用戶識別技術分析此用戶的歷史訪問記錄，得到他經(jīng)常訪問的頁面。當該用戶再次登錄系統(tǒng)時，可以對其進行個性化提示或推薦。這樣，既方便用戶使用，也可將系統(tǒng)做得更加友好。很多OA 期刊網(wǎng)站，不具備歷史瀏覽記錄的功能; 但瀏覽記錄對用戶來講其實十分重要，隱含了用戶對文章的篩選過程，所以對用戶經(jīng)常訪問的頁面需要進行優(yōu)化展示，不能僅僅提供鏈接地址，需要將文章題名、作者、關鍵詞等信息以列表的方式予以顯示。
2) 由數(shù)據(jù)挖掘技術而產(chǎn)生的頻繁項目集的分析，可以對網(wǎng)站的結構進行改進。支持度很高的頁面，說明該頁面的用戶訪問量大。為了方便用戶以及吸引更多的讀者，可以將這些頁面放置在更容易被訪問的位置，科技期刊的網(wǎng)站內容一般以年、卷、期的形式展示。用戶如果想查看某一篇影響因子很高的文章，也必須通過年卷期的方式來查看，非常不方便而且頁面友好性不高。通過數(shù)據(jù)挖掘的分析，編輯部可以把經(jīng)常被訪問或者高影響因子的文章放在首頁展示。
3) 對由數(shù)據(jù)挖掘技術產(chǎn)生的頻繁項目集的分析，可以發(fā)現(xiàn)用戶的關注熱點。若某些頁面或項目被用戶頻繁訪問，則可以用這些數(shù)據(jù)對用戶進行分析。一般來說科技期刊的讀者，每個人的專業(yè)和研究方向都是不同的，編輯部可以通過數(shù)據(jù)挖掘技術來判斷讀者的研究方向和感興趣的熱點，對每一個用戶進行有針對性的內容推送和消息發(fā)送。
4) 網(wǎng)站管理者可以根據(jù)在不同時間內頻繁項目集的變化情況對科技期刊網(wǎng)站進行有針對性的調整，比如加入更多關于該熱點的主題資源。目前大多數(shù)科技期刊網(wǎng)站首頁的內容，均為編輯部工作人員后臺添加、置頂、高亮來吸引用戶的; 通過數(shù)據(jù)挖掘技術，完全可以擯棄這種展示方式。編輯部網(wǎng)站的用戶訪問哪些頁面頻繁，系統(tǒng)便會自動將這些頁面的文章推向首頁，不需要編輯部的人工干預，整個網(wǎng)站實現(xiàn)自動化運行。
5 后記
本文重點討論了數(shù)據(jù)挖掘技術與科技期刊網(wǎng)站頁面之間的關系。其實我們還可以從很多方面進行數(shù)據(jù)挖掘，比如可以對網(wǎng)站的用戶和內容進行數(shù)據(jù)挖掘，通過分析可以為后期的期刊經(jīng)營做好鋪墊。
有一點很重要，沒有一種數(shù)據(jù)挖掘的分析方法可以應付所有的需求。對于某一種問題，數(shù)據(jù)本身的特性會影響你的選擇，需要用到許多不同的數(shù)據(jù)挖掘方法以及技術從數(shù)據(jù)中找到最佳的模型。
在目前深化文化體制改革，推動社會主義文化大發(fā)展、大繁榮的政治形勢下，利用數(shù)據(jù)挖掘技術從中進行提取、分析和應用，能有效地幫助企業(yè)了解客戶、改進系統(tǒng)、制訂合理的市場策略、提高企業(yè)的銷售水平和利潤。通過利用數(shù)據(jù)挖掘技術準確定位優(yōu)質客戶，向客戶提供更精確、更有價值的個性化服務。這將成為未來科技期刊經(jīng)營十分重要的突破點和增長點。
【數(shù)據(jù)挖掘技術在科技期刊網(wǎng)站中的應用論文】相關文章：
科研管理中數(shù)據(jù)挖掘技術的應用論文10-21
網(wǎng)絡營銷中數(shù)據(jù)挖掘技術的應用論文07-07
高校管理中數(shù)據(jù)挖掘技術的應用途徑論文10-28
數(shù)據(jù)挖掘技術在網(wǎng)絡輿情危機管理中的應用論文10-20
高校管理中數(shù)據(jù)挖掘技術的研究論文07-03