张梦菲 邱 强 肖茁建 姚 晓 方金云

(*中国科学院计算技术研究所 北京 100190) (**中国科学院大学 北京 100190)

0 引 言

Web数据挖掘一直是学术界和工业界研究的热点之一。随着大数据技术的发展,面向电子商务的Web数据挖掘在智能推荐、广告投放等领域发挥着越来越重要的作用。截至2018年12月,我国网络购物用户规模达到6.10亿,电子商务已成为大数据的重要来源[1]。用户识别技术作为Web日志挖掘的基础, 是从大量无序的数据中分析出匿名用户的独立行为轨迹和特征,并最终识别出唯一的用户个体。其结果的准确性直接影响了后续数据挖掘和个性化服务的效果。因此,研究电商平台的用户识别具有重要的应用价值。

用户识别技术的研究主要集中在Web数据挖掘[2]、电子设备[3-5]、文本信息中匿名作者[6，7]以及共享账户[8]等领域。在Web挖掘领域中的用户识别方法主要有2种：(1)基于启发式规则的方法[9，10]；(2)根据用户行为模式的方法。基于启发式规则的识别算法利用IP、用户代理(userAgent)、cookie技术识别用户，userAgent是用户的操作系统及其版本信息和浏览器及其版本信息。Yen等人[10]在启发式规则中证明了cookie技术比IP+userAgent方法具有更高的识别用户准确率，然而由于用户隐私问题，很难获得cookie数据的完整数据项。肖慧等人[11]提出了重写URL的IASR(IP，agent, session and referrer)算法用户跟踪方法，在启发式规则中引入用户会话(session)来识别用户，该方法在服务器端支持session的情况下提高了准确率，但是实际情况中难以保证session的完整性和实效性。基于行为模式的用户识别算法根据用户兴趣和习惯的独特性[12]和稳定性[13]，并利用数据挖掘和机器学习算法对点击流数据分类和预测来识别用户。……