Notice bibliographique
Résumé
Web usage mining applies data mining techniques to the discovery of usage patterns of web data. Web usage mining mines the secondary data which are recorded users' behavior generally kept in the web log. Web usage mining can be widely used to improve the system and site design, leading to better market decisions. A navigation pattern on the web is considered a sequence of web page accesses. A sequence is an ordered list of events, and sequential mining is used to find the correlation between events. WAP-tree (Web Access Pattern tree) mining is a sequential pattern mining technique for web log access sequences. The WAP-tree technique is based on a prefix tree, which first stores the original web access sequence database, and the frequent sequences are then mined from this tree by recursively re-constructing intermediate trees. This thesis proposes a WAP-tree based algorithm for finding frequent access sequences, which eliminates the need to reconstruct intermediate trees. In order to avoid reconstructing intermediate WAP-trees, the proposed algorithm builds the frequent header node links of the original tree in a pre-ordered fashion. It also uses position codes to identify the ancestor/descendant relationships between nodes of the tree, and finds common prefix subsequences of mined sequential patterns through a condition prefix sequence search. This results in much better response time as time for reconstructing and traversing several huge trees is saved.Dept. of Computer Science. Paper copy at Leddy Library: Theses & Major Papers - Basement, West Bldg. / Call Number: Thesis2002 .L84. Source: Masters Abstracts International, Volume: 41-04, page: 1113. Adviser: Christie Ezeife. Thesis (M.Sc.)--University of Windsor (Canada), 2002.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».