Глава 1     Глава 2     Глава 3   

Примеры систем интеллектуальных агентов поиска:


• Harvest (Brown и др., 1994),

• FAQ-Finder (Hammond и др., 1995),

• Information Manifold (Kirk и др., 1995),

• OCCAM (Kwok and Weld, 1996), and ParaSite (Spertus, 1997),

• ILA (Information Learning Agent) (Perkowitz and Etzioni, 1995),

• ShopBot (Doorenbos и др., 1996).

Подход, основанный на базах данных (Database Approach), включает системы:

• многоуровневые базы данных;

• системы web-запросов (Web Query Systems);

•              W3QL (Konopnicki и Shmueli, 1995),

•              WebLog (Lakshmanan и др., 1996),

•              Lorel (Quass и др., 1995),

•              UnQL (Buneman и др., 1995 and 1996),

•              TSIMMIS (Chawathe и др.., 1994).

Примеры систем web-запросов: Второе направление Web Usage Mining подразумевает обнаружение закономерностей в действиях пользователя Web-узла или их группы.

Анализируется следующая информация:

•              какие страницы просматривал пользователь;

•              какова последовательность просмотра страниц.

Анализируется также, какие группы пользователей можно выделить среди общего их числа на основе истории просмотра Web-узла.

Web Usage Mining включает следующие составляющие:

•              предварительная обработка;

•              операционная идентификация;

•              инструменты обнаружения шаблонов;

•              инструменты анализа шаблонов.

При использовании Web Mining перед разработчиками возникает два типа задач. Первая касается сбора данных, вторая - использования методов персонификации. В результате сбора некоторого объема персонифицированных ретроспективных данных о конкретном клиенте, система накапливает определенные знания о нем и может рекомендовать ему, например, определенные наборы товаров или услуг. На основе информации о всех посетителях сайта Web-система может выявить определенные группы посетителей и также рекомендовать им товары или же предлагать товары в рассылках.

Задачи Web Mining согласно [31] можно подразделить на такие категории:

•              Предварительная обработка данных для Web Mining.

•              Обнаружение шаблонов и открытие знаний с использованием ассоциативных правил, временных последовательностей, классификации и кластеризации;

•              Анализ полученного знания.