李培培 曹 芳（北京吉利大学信息学院 中国 北京 102202）

0 引言

随着Internet/Intranet技术的发展，尤其是Web的全球普及使得Web上信息量无比丰富，Web已经成为人们获取信息的重要途径，但最先进的搜索引擎也只能找到Web网页上面很少的网页，而且无论怎么选择关键词都会返回大量并不需要的结果。如何从非格式化数据信息中有效地挖掘出有用的信息是对数据挖掘领域的一个新挑战。

Web上的数据信息不同于数据库。它主要是些大量的、异质的Web信息资源，文档结构性差，其数据多为半结构化或非结构化，信息不能清楚地用数据模型来表示。因此在Web的数据挖掘需要用到很多不同于单个数据仓库挖掘的技术。

1 Web数据挖掘概述

1.1 Web数据挖掘概念

Web数据挖掘是一项综合技术，是利用数据挖掘技术从WWW数据资源中抽取信息的过程，结合了数据挖掘、信息处理、可视化、数理统计等领域的成熟技术，是对Web数据资源中蕴含的未知的有潜在应用价值的模式的提取。

1.2 Web数据挖掘原理

通常Web挖掘过程可以分为以下几个处理阶段：资源发现、数据抽取及数据预处理、数据汇总及模式识别、分折验证。目标数据集根据用户需求，从Web数据源中提取的相关数据，Web数据挖掘主要从这些数据通信中进行数据提取；预处理过程从数据中去除明显错误或冗余的数据，并将数据转换成为有效和易于理解的形式；模式分析对发现的模式进行解释和评估；最后将发现的知识以用户能理解的方式提供给用户。……