基于CAWAL框架的大型网页门户预测建模与异常检测
机器学习
2025-02-04 v1 信息检索
摘要
本研究提出了一种方法，利用通过CAWAL框架收集的会话和页面浏览数据，经过专业化处理，用于Web使用挖掘(WUM)应用中的高级预测建模与异常检测。传统WUM方法常依赖Web服务器日志，这会限制数据多样性和质量。将应用程序日志与Web分析集成，CAWAL框架创建了全面的会话和页面浏览数据集，提供了更详细的用户交互视图，从而有效解决了上述限制。该集成既增强了数据多样性和质量，又消除了传统WUM中必需的预处理阶段，导致更高的流程效率。通过交叉集成会话和页面浏览数据创建的丰富数据集应用于高级机器学习模型，如梯度提升和随机森林，这些模型因擅长捕捉复杂模式和建模非线性关系而备受推崇。这些模型在预测用户行为方面实现了超过92%的准确率，并显著提升了异常检测能力。结果表明，这种方法提供了关于用户行为和系统性能指标的深入见解，使其成为提高大型网页门户效率、可靠性和可扩展性的可靠解决方案。
引用
@article{arxiv.2502.00413,
title = {Predictive modeling and anomaly detection in large-scale web portals through the CAWAL framework},
author = {Ozkan Canay and Umit Kocabicak},
journal= {arXiv preprint arXiv:2502.00413},
year = {2025}
}
备注
15 pages, 4 figures