[论文解读] A Dynamic Web Page Prediction Model Based on Access Patterns to Offer Better User Latency

Debajyoti Mukhopadhyay, Priyanka Mishra+2 more|arXiv (Cornell University)|Feb 3, 2011

Caching and Content Delivery参考文献 8被引用 5

一句话总结

本文提出了一种动态网页预测模型，通过基于访问模式聚类页面并整合页面排名，实现早期预测，从而降低用户延迟。该方法通过使用访问模式聚类和初始页面排名，减少了对大型日志数据库的依赖，在内容和结构不断变化的动态环境中，优于静态预取方法。

ABSTRACT

The growth of the World Wide Web has emphasized the need for improvement in user latency. One of the techniques that are used for improving user latency is Caching and another is Web Prefetching. Approaches that bank solely on caching offer limited performance improvement because it is difficult for caching to handle the large number of increasingly diverse files. Studies have been conducted on prefetching models based on decision trees, Markov chains, and path analysis. However, the increased uses of dynamic pages, frequent changes in site structure and user access patterns have limited the efficacy of these static techniques. In this paper, we have proposed a methodology to cluster related pages into different categories based on the access patterns. Additionally we use page ranking to build up our prediction model at the initial stages when users haven't already started sending requests. This way we have tried to overcome the problems of maintaining huge databases which is needed in case of log based techniques.

研究动机与目标

• 解决静态预取模型在内容和用户行为频繁变化的动态网页环境中所面临的局限性。
• 减少对基于大型日志数据库的用户访问模式分析的依赖。
• 通过动态预测频繁访问的网页，降低用户延迟。
• 在用户会话初期访问历史较小时，提高预测准确性。
• 开发一种可扩展的解决方案，能够适应不断演变的网站结构和用户访问模式。

提出的方法

• 基于用户访问模式对相关网页进行聚类，以将语义或行为上相似的页面分组。
• 在用户访问历史不足时，使用页面排名算法进行初始预测。
• 结合访问模式聚类与页面排名，构建混合预测模型。
• 在用户会话过程中，随着新访问模式的出现，动态更新预测模型。
• 通过关注访问模式相似性而非完整请求日志，减少对大规模日志存储的需求。
• 在用户发出请求前预测下一个可能访问的页面，从而降低延迟。

实验结果

研究问题

• RQ1 在频繁发生结构和行为变化的动态网页环境中，如何改进网页预测？
• RQ2 访问模式聚类在多大程度上可以减少预取系统中对大型日志数据库的需求？
• RQ3 在访问历史有限的会话初期，页面排名能否有效初始化预测？
• RQ4 与静态模型相比，聚类与排名的结合如何提升预测准确性？
• RQ5 动态模型自适应对用户延迟降低有何影响？

主要发现

• 所提出的模型通过聚焦于访问模式聚类而非完整请求日志，显著减少了对大规模日志存储的需求。
• 在用户访问历史极少的会话初期，页面排名能提供有效的初始预测。
• 在内容不断演变的动态网页环境中，聚类与排名的结合显著提升了预测准确性。
• 与静态预取技术相比，该模型在应对网站结构和用户行为变化方面展现出更强的适应能力。
• 通过基于预测访问模式的主动页面预取，实现了用户延迟的降低。
• 在动态场景下，该方法相较于传统的基于日志和静态模型的方法表现出更优的性能。