Aula 13 - Web Mining

Web Mining
● 
● 
Aplicação de técnicas de Mineração de
Dados para descoberta de padrões na Web
Motivações:
– 
Encontrar informação relevante
Gerar conhecimento a partir da informação
disponível na Web
–  Personalizar a informação
– 
– 
1
Aprender sobre consumidores ou usuários
individuais
Abordagens de Web Mining
● 
Mineração de conteúdo (Web content mining)
– 
● 
Mineração de estrutura (Web structure mining)
– 
● 
Obtenção de conhecimento a partir da organização
da web e da referência cruzada de ligações.
Mineração de uso (Web usage mining)
– 
2
Extração de conhecimento do conteúdo de páginas
e suas descrições
Geração de padrões interessantes com o uso dos
registros de acesso da web
Mineração de conteúdo
(Web content mining)
Extração de conhecimento do conteúdo de
páginas e suas descrições
●  Inclui a Mineração de texto (text mining)
Aplicações
● 
● 
● 
3
Classificação de textos
Detecção e acompanhamento de evento
Extração de regras
Documentos não estruturados
● 
Texto livre
● 
Representação: bag of words
● 
Palavras do texto são atributos
Booleano
–  Baseado em frequência
– 
● 
● 
4
Ignora a sequência em que palavras
aparecem
Usa estatísticas sobre palavras isoladas
● 
Outras formas de seleção:
Remover pontuação, palavras pouco frequentes,
palavras muito frequentes
–  Stemming – extrair o radical das palavras
– 
● 
5
Outras formas de representação:
– 
Posição da palavra no documento
– 
N-grams (sequências de palavras de tamanho
até n)
Documentos semi-estruturados
● 
● 
Tem informação estrutural adicional (HTML e
hiperlinks) no documento de hipertexto
Aplicações:
– 
Classificação de hipertextos
Agrupamento
–  Aprendizado de relações entre documentos web
– 
– 
6
Extração de Padrões ou regras
Mineração de estrutura
(Web structure mining)
● 
● 
7
Tenta descobrir o modelo por trás da
estrutura de links na web.
Informação extraída:
– 
Links apontando para um documento podem
indicar sua popularidade
– 
Links saindo de um documento podem indicar a
riqueza ou variedade de tópicos tratados pelo
documento
Estrutura típica
● 
Páginas = nós, hyperlinks = arcos
conectando páginas
– 
Hyperlinks tem duas finalidades:
● 
● 
8
Permitir navegação
Apontar para páginas com “autoridade” no mesmo
tópico da página contendo o link
Estruturas interessantes
9
Informações a serem extraídas:
● 
● 
Qualidade da página web
– 
Autoridade de uma página
– 
Ranking de páginas
Estruturas interessantes
– 
– 
10
co-citação,
escolha social, etc
Mineração de uso (Web usage mining)
– 
Aplicação das técnicas de mineração de
dados para descobrir padrões de uso a partir
de registros de acesso à web
– 
Tendências:
● 
● 
11
extração de padrão geral de acesso
personalização
Tendências - Definidas pelo tipo de
aplicação:
● 
Extração de padrão geral de acesso
Analisa dados do web log file e outras fontes
para descobrir padrões e tendências de acesso
–  Pode ser usado para:
– 
● 
Reestruturação dos sites em grupos mais eficientes
● 
Localizar pontos para propaganda mais efetiva
● 
12
Direcionar campanhas específicas para usuários
específicos
● 
Uso personalizado
– 
Analisa tendências de usuários individuais
– 
Pode ser utilizado para:
● 
13
Personalizar dinamicamente a cada usuário, com
base no padrão de acesso ao longo do tempo
– 
a informação apresentada,
– 
a profundidade do site e
– 
o formato dos recursos
Fontes de dados
● 
14
Dados do servidor Web
– 
Web server log
– 
Cookies
– 
Dados de consultas
● 
Dados do cliente
– 
Agente remoto (Javascripts ou Java applets)
– 
Modificação do código fonte de um browser
● 
15
Requer a cooperação do usuário
● 
Dados do proxy
Web proxy atua como um nível intermediário
entre browsers de clientes e servidores web
–  Pode ser usado para reduzir o tempo de
carregar uma página web
– 
16
– 
Desempenho depende da habilidade de prever
acessos futuros
– 
Dados podem revelar requisição de múltiplos
usuários a múltiplos servidores web
Web server log
● 
Tipos de logs
Error
–  Segurança
–  Referência
–  Browser (Agente)
–  Accesso
– 
● 
Formatos
Common Log
–  Extended log formats
– 
17
Exemplo: Web log
#Software: Microsoft Internet Information Server 4.0
#Version: 1.0 #Date: 1999-12-25 00:00:21
#Fields: date time c-ip cs-username cs-method cs-uri-stem cs-uri-query sc-status sc-bytes cs(User-Agent) cs
(Cookie) cs(Referer)
1999-12-25 00:00:21 194.237.174.119 - GET /issue1/jobs/Default.asp - 200 20407 AltaVista-Intranet/V2.3A+
([email protected]) - 1999-12-25 00:03:39 194.237.174.119 - GET /statistics/ExpIntHits1.asp - 200 10519 AltaVista-Intranet/V2.3A+
([email protected]) - 1999-12-25 00:26:54 209.67.247.158 - GET /robots.txt - 200 303 FAST-WebCrawler/2.0.9+([email protected];
+http://www.fast.no/ ) - 1999-12-25 00:32:47 194.237.174.119 - GET /issue2/default.asp - 200 5332 AltaVista-Intranet/V2.3A+
([email protected]) - 1999-12-25 01:49:54 206.186.25.7 - GET /resources/images/main/bg.gif - 200 300 Mozilla/2.0+(compatible;
+MSIE+3.02;+AK;+Windows+NT) ASPSESSIONIDGQQGQGAD=IIHCBIFDIECKPAPGICDEOJII;
+SITESERVER=ID=22e0a17296b8c2ed1f77460cde75c27f http://www.exploit-lib.org/issue1/webtechs/
1999-12-25 01:49:54 206.186.25.7 - GET /issue1/webtechs/Default.asp - 200 24659 Mozilla/2.0+(compatible;
+MSIE+3.02;+AK;+Windows+NT) - http://www.statslab.cam.ac.uk/%7Esret1/analog/webtechs.html
1999-12-25 01:49:54 206.186.25.7 - GET /resources/images/main/global_home_h.gif - 200 487 Mozilla/2.0+
(compatible;+MSIE+3.02;+AK;+Windows+NT) ASPSESSIONIDGQQGQGAD=IIHCBIFDIECKPAPGICDEOJII;
+SITESERVER=ID=22e0a17296b8c2ed1f77460cde75c27f http://www.exploit-lib.org/issue1/webtechs/
1999-12-25 01:49:54 206.186.25.7 - GET /resources/images/main/global_search.gif - 200 534 Mozilla/2.0+
(compatible;+MSIE+3.02;+AK;+Windows+NT) ASPSESSIONIDGQQGQGAD=IIHCBIFDIECKPAPGICDEOJII;
+SITESERVER=ID=22e0a17296b8c2ed1f77460cde75c27f http://www.exploit-lib.org/issue1/webtechs/
1999-12-25 01:49:56 206.186.25.7 - GET /resources/images/main/local_home01.gif - 200 663 Mozilla/2.0+
(compatible;+MSIE+3.02;+AK;+Windows+NT) ASPSESSIONIDGQQGQGAD=IIHCBIFDIECKPAPGICDEOJII;
+SITESERVER=ID=22e0a17296b8c2ed1f77460cde75c27f http://www.exploit-lib.org/issue1/webtechs/
18
Este arquivo de log mostra visitas ao web site Exploit Interactive
de 00:00:00 em 25 de Dezembro de 1999:
● 
A visit from an AltaVista robot in UK, downloading several text
files
–  A visit from a FAST-Crawler robot in Norway
–  A visit from a PC (WinNT) user of an IE browser who followed a
link at <http://www.statslab.cam.ac.uk/%7Esret1/
analog/webtechs.html> and downloaded a HTML page and
several images
– 
19
Web Server Log ‒ Exemplo
KDnuggets.com
Server
Conteúdo da Página
http://www.kdnuggets.com/jobs/
Web server log
152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET … HTTP/1.1" 200
152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET /gps.html HTTP/1.1" 200
152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET /jobs/ HTTP/1.1" 200
20
…
Web (Server) Log Uma linha (exemplo) do log
152.152.98.11 - - [16/Nov/2005:16:32:50 -0500] "GET /jobs/ HTTP/1.1" 200 15140 "http://www.google.com/search?q=salary+for+data+mining&hl=en&lr=&start=10&sa=N" "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322)“
152.152.98.11
-[16/Nov/2005:16:32:50 -0500]
"GET /jobs/ HTTP/1.1"
200
15140
"http://www.google.com/search?q=salary+for+data
+mining&hl=en&lr=&start=10&sa=N"
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1;
SV1; .NET CLR 1.1.4322)"
21
Web log: IP
152.152.98.11
IP address – pode ser convertido para o
nome do host, por exemplo:
xyz.example.com
22
Top-Level Domains (TLD)
● 
A última parte do domínio é o TLD
● 
TLD Generico
–  .com (comercial) – geralmente mas não
necessariamente USA
–  .net
23
(ISP, network providers)
– 
.edu – US educacional, e.g. conncoll.edu
– 
Outros: .gov (governo),
.org (organizações sem fins lucrativos), …
Top-Level Domains ‒ código do país
(ccTLD)
Alguns dos mais comuns
24
Web log: Name, Login
- Name:
nome do usuário remoto (normalmente
omitido e trocado por um traço “-”)
- Login:
Login do usuário remoto (também é
normalmente omitido e trocado por um
traço “-”)
25
Web log: Date/Time/TZ
[16/Nov/2005:16:32:50 -0500]
Date:
DD/MM/AAAA
26
Time:
HH:MM:SS
Time Zone:
(+|-)HH00
relativo ao GMT
Web log: Request
"GET
Method:
GET
HEAD
POST
OPTIONS
…
/jobs/
URL:
Relativo ao
domínio
HTTP/1.1"
Protocolo HTTP:
e.g.
HTTP/1.0 or
HTTP/1.1
Nota: a requisição é armazenada como é enviada, assim, pode
conter erros, falhas, e qualquer tipo de coisa estranha.
27
Web log: Status code
200
Status (Response) code. Os mais importantes são:
28
● 
200 – OK (é o mais frequente, ainda bem!)
● 
206 – acesso parcial
● 
301 – redirecionamento permanente
● 
302 – redirecionamento temporário
● 
304 – não modificado
● 
404 – não encontrado
● 
…
Web log: Object size
15140
O tamanho do objeto retornado ao cliente
(em bytes)
Pode ser “-” se o código de status for 304
29
Web log: Referrer
http://www.google.com/search?q=salary
+for+data
+mining&hl=en&lr=&start=10&sa=N
URL que da qual o visitante veio (neste exemplo é uma query do Google:
“salary for data mining”, 2a. Página de resutados– começando de 10)
Também pode ser uma página estática, interna, externa ou “-” no caso
de uma requisição direta (bookmark, por exemplo)
Esta é uma informação valiosa
30
Web log: User agent
"Mozilla/4.0 (compatible; MSIE 6.0;
Windows NT 5.1; SV1; .NET CLR
1.1.4322)"
User agent (browser) http://en.wikipedia.org/wiki/User_agent
Por razões históricas, quase todos os browsers começam com Mozilla
Em muitos casos pode-se ter informações adicionais:
Browser type, version : MSIE 6.0 - Internet Explorer 6.0
OS: Windows NT 5.1 (XP SP2) with .NET Framework 1.1 installed
31
Programas para análise de Web Log
● 
● 
Free
– 
Analog, awstats, webalizer
– 
Google analytics
Comerciais
– 
WebTrends, WebSideStory, …
www.kdnuggets.com/software/web-mining.html
32
Programas para análise de Web Log
● 
33
Podem fazer análises e emitir relatórios
como por exemplo:
– 
lista de IPs conectados a um website
– 
“pie chart” detalhando quais arquivos foram
acessados com mais frequência, e muitos outros
Itens identificados a partir dos dados
coletados
● 
● 
● 
34
Usuário
Click-streams – seqüência de requisições de
acessos a páginas. Os dados disponíveis
pelo servidor nem sempre fornece
informação para reconstruir um click-stream
completo para um site
Visões de páginas – uma única ação do
usuário e pode consistir de vários arquivos:
frames, gráficos, scripts. O usuário requer
uma “web-page” e não cada um dos
componentes.
● 
35
Sessões – click-stream de páginas para um
único usuário por toda a web. Tipicamente,
apenas a parte de cada sessão de usuário
acessando um site específico pode ser
usada para análise, pois informações de
acesso não são públicas.
● 
● 
● 
36
Visita ou sessão do servidor – conjunto de
acessos a páginas em uma sessão de
usuário para um web site em particular.
Um conjunto de visitas é a entrada
necessária para qualquer ferramenta de
análise de uso ou de mineração de dados.
Episódios – subconjunto de uma sessão de
usuário ou de servidor que tem significado
semântico.
Processo de Web usage mining
37
● 
Pré-processamento
● 
Descoberta de Padrões
● 
Análise de Padrões
38
Processo de Web Usage Mining
● 
● 
● 
39
Pré-processamento
Consiste em converter os dados disponíveis
nas várias fontes de dados identificando
itens necessários para a descoberta de
padrões.
Considerada a etapa mais difícil em Web
usage mining devido aos dados disponíveis
não serem completos
Pré-processamento
● 
● 
40
Identificar:
– 
Usuários
– 
Sessões do servidor
Usando:
– 
Endereço de IP
– 
Agente
– 
Cadeia de requisições (click-streams)
Identificação de usuários
Problemas:
●  IP único / Múltiplas sessões de servidor
– 
● 
Múltiplos IPs / Sessão de servidor única
– 
41
Um proxy pode ter vários usuários acessando
um Web site, no mesmo período de tempo –
registros do usuário não serão sequenciais nem
no tempo correto.
por motivo de segurança, o provedor pode
atribuir aleatoriamente um entre vários
endereços de IP a cada requisição de um
usuário.
● 
Múltiplos IP / Usuário único
– 
● 
Múltiplos agentes / Usuário único
– 
42
um usuário que acessa a Web de máquinas
diferentes terá IPs diferentes a cada sessão,
dificultando registro de visitas repetidas do
mesmo usuário.
o usuário pode usar diferentes browsers, de uma
mesma máquina, pode parecer mais de um
usuário.
Exemplo- web server log
43
Identificação de usuários
Soluções: usar
44
● 
Cookies
● 
logins
● 
IP/agentes/caminhos
Identificação de sessões
● 
● 
● 
● 
(depois de identificados cada usuário)
Dividir o click-stream de cada usuário em
sessões
Dificuldades:
saber quando um usuário saiu de um
website
Requisições de outros websites não estão
disponíveis
–  Usar intervalo de tempo
– 
45
● 
46
Inferir referências a páginas em cache
– 
Exige monitoramento de uso do lado do cliente
– 
O campo de referência pode ser usado para
detectar quando paginas em cache foram vistas
Referência a páginas com cópias locais
47
Exemplo
● 
– 
IP 123.456.78.9 é responsável por 3 sessões
– 
IPs 209.456.78.2 e 209.45.78.3 são
responsáveis por uma sessão.
Usando informações de referência e agente,
linhas 1 a 11 podem ser divididas em:
A-B-F-O-G
● 
48
L-R
A-B-C-J
Complementando os caminhos seriam
adicionadas páginas:
A-B-F-O-F-B-G
L-R
A-B-A-C-J
Registros de tempos de acesso errados no
servidor
Tempo de
acesso real
49
Visitas a páginas não registradas no sevidor
50
Detecção de robots e filtragem
● 
● 
51
Web robots são programas que percorrem
automaticamente a estrutura de hyperlinks
para localizar e recuperar informações.
Porque distinguir:
– 
Recuperam informação não autorizada
– 
Sobrecarga de tráfego
– 
Dificultam o acompanhamento de clik-streams
Identificação de transações
● 
● 
● 
52
Depois de identificadas as sessões,
transações devem ser inferidas
Possível critério: transação é um caminho
dentro de uma sessão, terminando em uma
página de conteúdo
Páginas devem estar classificadas em :
navegação e conteúdo
Descoberta de padrões
● 
● 
53
Algoritmos e métodos de mineração de dados são
aplicados aos dados obtidos da web
Análises estatísticas
– 
Método mais comum
– 
Análises estatísticas descritivas: média, frequência,
mediana..)
– 
Variáveis: visões de páginas, tempo de permanência,
comprimento do caminho de navegação.
– 
Utilidade: melhorar desempenho do sistema, melhorar a
segurança, facilitar tarefas de modificação do site, apoiar
decisões de mercado
Regras de Associação
● 
54
Características:
– 
Pode relacionar páginas que são acessadas
com mais frequência em uma mesma sessão.
– 
Podem não estar relacionadas por um link
– 
Exemplo: relação entre usuários que visitaram
uma página de produtos eletrônicos e aqueles
que visitaram uma página de equipamentos
esportivos
Regras de Associação
● 
55
Utilidade:
– 
Aplicações de negócios e comércio
– 
Reestruturação de web sites
– 
Pré-recuperação de documentos para reduzir a
latência percebida pelo usuário para carregar
página de um site remoto
Exemplos
● 
● 
56
60% dos clientes que acessaram /products
também acessaram /products/software/
webminer.htm
30% dos clientes que acessaram /specialoffer.htm submeteram um pedido on-line
para /products/software
Agrupamento
● 
● 
57
Características
– 
Grupos de usuários: identifica grupos de usuários com
padrões de navegação semelhantes
– 
Grupos de páginas: identifica grupos de páginas tendo
conteúdo semelhante
Utilidade:
– 
Inferir dados demográficos para segmentação de
mercado em e-commerce
– 
Personalização
– 
Sites de busca
– 
Provedores de assistência na web
Agrupamento
● 
● 
58
Páginas podem ser criadas para sugerir
hyperlinks para o usuário de acordo com as
consultas do usuário ou históricos de
necessidades de informação
Classificação
● 
Características:
Identifica atributos que melhor descrevem as
características de uma dada classe
–  Exemplo: 30% dos usuários que compraram
alguma coisa no setor Produto/Musica estão na
faixa de 18-25 anos e moram na região sudeste.
– 
● 
Utilidade:
– 
59
Permite define perfis de usuários que pertencem
a uma classe ou categoria
Exemplos ‒ agrupamento e
classificação
● 
● 
● 
60
Clientes que frequentemente acessam /
products/software.webminer.htm tendem a
ser de instituições de ensino
Clientes que fizeram pedido on-line para
software tendem a ser estudantes na faixa
etária de 20-25 e moram nos EUA
75% dos clientes que fizeram download de
softwares de products/software/demos
visitam entre 7 e 11 pm nos finais de semana
Análise de Padrões
● 
61
Filtra as regras ou padrões que não tem
utilidade
62