[论文解读] A Fuzzy Co-Clustering approach for Clickstream Data Pattern

R. Rathipriya, K. Thangavel|arXiv (Cornell University)|Sep 30, 2011

Recommender Systems and Techniques参考文献 9被引用 5

一句话总结

本文提出了一种模糊共聚类算法，通过基于导航行为同时对用户和网页进行聚类，以揭示点击流数据中的隐藏模式。通过允许用户在多个用户聚类中具有部分隶属关系，以及网页在多个网页聚类中具有部分隶属关系，该方法提高了用户兴趣的识别能力，并增强了目标营销策略的效果，真实数据实验验证了其在揭示有意义共聚类方面的有效性。

ABSTRACT

Web Usage mining is a very important tool to extract the hidden business intelligence data from large databases. The extracted information provides the organizations with the ability to produce results more effectively to improve their businesses and increasing of sales. Co-clustering is a powerful bipartition technique which identifies group of users associated to group of web pages. These associations are quantified to reveal the users' interest in the different web pages' clusters. In this paper, Fuzzy Co-Clustering algorithm is proposed for clickstream data to identify the subset of users of similar navigational behavior /interest over a subset of web pages of a website. Targeting the users group for various promotional activities is an important aspect of marketing practices. Experiments are conducted on real dataset to prove the efficiency of proposed algorithm. The results and findings of this algorithm could be used to enhance the marketing strategy for directing marketing, advertisements for web based businesses and so on.

研究动机与目标

• 解决识别网站上具有相似导航行为的用户群体的挑战。
• 发现吸引相似用户群体的网页聚类，以实现更好的个性化和营销策略。
• 通过引入模糊隶属关系改进传统共聚类方法，允许用户和网页以不同程度的关联属于多个聚类。
• 通过从点击流数据中提取可操作的洞察，增强网络使用挖掘以支持商业智能。
• 在真实数据集上验证所提出算法的实用性，以确保其在基于网络的营销中的实际应用价值。

提出的方法

• 所提出的方法在共聚类框架中应用模糊c-均值聚类，同时将用户和网页划分为模糊聚类。
• 采用双部聚类方法，基于模糊隶属度迭代更新用户和网页聚类。
• 该算法最小化一个目标函数，平衡用户和网页的类内距离，并引入模糊隶属权重。
• 使用标准模糊c-均值公式更新模糊隶属值，使用户能够以不同程度的相似性属于多个聚类。
• 通过隶属度分数量化用户对网页聚类的兴趣，实现对用户行为的精细化分析。
• 迭代优化过程持续进行直至收敛，确保生成稳定且有意义的共聚类。

实验结果

研究问题

• RQ1 模糊共聚类在点击流数据中如何有效建模用户和网页的双重聚类？
• RQ2 与硬聚类相比，模糊隶属关系在识别用户兴趣方面的准确性提升程度如何？
• RQ3 所提出的算法是否能在真实网络使用数据中揭示可操作的用户和网页分组，以支持目标营销？
• RQ4 该算法在真实点击流数据集上的聚类质量与稳定性表现如何？
• RQ5 通过生成的模糊共聚类，可以提取出关于用户导航行为的哪些洞察？

主要发现

• 模糊共聚类方法成功从真实点击流数据中识别出有意义的用户和网页聚类，揭示了导航行为的模式。
• 通过允许用户在多个聚类中具有部分隶属关系，该算法显著提升了用户兴趣的可解释性，更真实地反映了现实中的浏览行为。
• 在真实数据集上的实验验证了该算法在生成稳定且一致的共聚类方面的有效性。
• 该方法通过识别具有相似兴趣的用户群体在特定网页聚类中的分布，实现了对推广活动的更精准定位。
• 结果表明，模糊共聚类在捕捉用户行为细微模式方面优于传统的硬共聚类方法。
• 所提出的方法为提升基于网络的营销与广告策略提供了可操作的商业智能支持。