随着Internet应用的迅速发展,网上信息迅速增长,信息种类也越来越多,人们面对太多的信息无法选择和消化,此种现象称为信息过载。Internet上信息资源分布的广泛性又给用户寻找感兴趣的信息增加了困难,也就是所谓的信息迷失。当前主要采用搜索引擎来检索Web上的信息,大多数搜索引擎缺乏主动性,未考虑个体用户的兴趣偏好,因而未能有效地解决信息过载和信息迷失的问题。为了有效地解决信息过载和信息迷失给人们带来的种种困扰。最近研究者们提出了一种被认为能有效解决这些问题的技术--Web个性化服务技术。 基于Web使用挖掘的个性化服务是目前Web个性化服务中应用和研究的关键技术,Web使用挖掘主要应用于个性化推荐服务,商业智能和Web站点优化。本文主要对基于Web使用挖掘的个性化推荐服务中若干关键技术进行了研究。 本文的主要研究内容如下: 1.Web使用挖掘的方法研究。详细的研究和探讨了Web使用挖掘的整个过程(如:数据收集、数据预处理、模式发现、模式分析以及应用)。 2.提出了一种可扩展兴趣表示模型(SIM)。首先,介绍了目前个性化推荐服务系统中表示用户浏览兴趣和CI(cluster’s interest characteristic,后文将用“CI”代替“聚类的兴趣特征”)的若干方法,分析了它们各自的不足之处。然后,提出了一种可扩展兴趣表示模型(SIM)。SIM利用用户会话(后文将用“会话”代替“用户会话”)的所有2-会话片断的特征来表示SI(session’s interest characteristic,后文将用“SI”代替“用户会话的兴趣特征”)。SIM是一个可扩展模型,根据具体应用的需要SIM可以调整从2-会话片断中抽取特征的数目来调整它表示SI和CI的准确性。实验结果表明,SIM有效提高了表示SI和CI的准确性。 3.提出了一种基于会话聚类的个性化推荐算法(SCRec)。首先,详细分析了目前基于聚类挖掘技术的个性化推荐方法的若干不足之处。然后,提出了一种基于会话聚类的个性化推荐算法(SCRec)。数据预处理阶段和会话聚类阶段,SCRec利用SIM表示SI和CI,推荐产生阶段,SCRec利用2-会话片断在聚类中的权重和当前会话与聚类的相似性来产生推荐。实验结果表明,基于会话聚类的个性化推荐算法(SCRec)可以有效提高推荐系统的服务质量。