邹丽新

(福建江夏学院 电子信息科学系，福建 福州 350108)

用户点击网站每天都会产生大量的数据，这些数据被称作点击流数据.点击流，顾名思义，就是访问者在网上的持续的访问轨迹.它从各方面详尽地反映出用户访问Web的细节，其中包含很多潜在的非常有用的信息，例如，客户的行为和客户的兴趣等.通过对其深入分析，能更深刻地理解用户行为，也有利于明确数据挖掘的任务，改善网页设计和提供决策支持等.

1 点击流数据源

本文所研究的点击流数据为学校Web服务器上的日志文件.现在有3种公开的标准日志文件格式用来记录日志文件.这3种开放格式是：NCSA的普通日志格式CLF(common log format)；NCSA的扩展日志格式ECLF(extendedcommon log format)和W3C的扩展日志文件ExLF(extended logfile format).其中，ExLF是唯一一种能够定制那些特殊的域并写入日志的标准化日志格式.而且它还提供更详细的可选域的集合.所以这种格式也比较适合于研究点击流数据.本文采用对ExLF格式进行域扩展来获得学生点击行为的数据.ExLF的域很多，表1仅列出与本文的分析主题相关而所需的日志格式的域：

下文对教务网站服务器上的一条日志进行直观的分析：

#Software:Microsoft Internet Information Services 6.0

#Version:1.0

#Date:2008-05-16 16:00:01

#Fields:date time cs-method cs-uri-stem cs-uri-query cs-username c-ip cs(User-Agent)cs(Referer)sc-statustime-taken

2008-05-16 16:00:05 GET /WebCourse/courseelective/schoolelectivepublic.aspx--

192.168.6.43

Mozilla/4.0+(compatible;+MSIE+7.0;+Windows+NT+6.0;+SLCC1;+.NET+CLR+2.0.50727;+.NET+CLR+3.0.04506;+InfoPath.1;+.NET+CLR+1.1.4322)

http://10.4.12.13/webcourse/login.aspx 200 330

表1 W3C扩展日志格式的部分域描述[1]

该例子中有四条指令，前三条说明该网站的Web服务器采用微软IIS6.0；日志版本使用1.0的ExLF格式；日志文件产生的时间是2008年5月16日16点00分01秒.第四条指令说明日志文件包含的域有date、time、cs-method、cs-uri-stem、cs-uri-query、cs-username、c-ip、cs(User-Agent)、cs(Referer)、sc-status、time-taken，其中域前缀c-表示客户端，cs-表示客户端到服务器端，sc-表示服务器端到客户端.

日志文件……