SavedAdd your journal

Journals / Istanbul Business Research / 2017 / Cilt: 46 - Sayı: 1

Applying Web Usage Mining for the Analysis of Web Log Files

Web Günlük Dosyalarının Analizi için Web Kullanım Madenciliğinin Uygulanması

Serra ÇELİK
Pages
62–75
Publication Date
2017-05-01
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

For implementation to an e-commerce web site, it can be stated that support vector machines can classify more accurately.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Today, size of data has reached amazing amounts.
📊
Key Findings & Data:At this point, data mining has accelerated the process of transforming data to information.
💡
Conclusion & Impact:For implementation to an e-commerce web site, it can be stated that support vector machines can classify more accurately.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Web Kullanım Madenciliği · Destek Vektör Makineleri · İnternet

Abstract

Today, size of data has reached amazing amounts. Recent advances in technology collecting data in many different sectors is getting easier. At this point, data mining has accelerated the process of transforming data to information. In the beginning, data mining has been known as information extraction from databases, but recently it is more useful for prediction by the help of new methods and technologies developed. In this study web usage mining will be performed with classification methods of data mining using web log files. The data used is an e-commerce web site’s log files of 812 days. Web log files contain unstructured data and it is very difficult to analyze it in conventional ways. Before analyzing the data, it has to be cleaned and this process takes long time. The aim of this study is finding the way of purchase behavior. First, analysis is made by support vector machines, then results are compared with the results obtained by logistic regression. For implementation to an e-commerce web site, it can be stated that support vector machines can classify more accurately.

Özet

Günümüzde veri artışı inanılmaz boyutlara ulaşmıştır. Gelişen teknolojiyle birçok farklı sektörde daha kolay veri elde edilebilmektedir. Bu noktada veri madenciliği bu veri yığınlarından anlamlı bilgiye dönüşüm sürecini hızlandırmıştır. Veri madenciliği, ilk başta veri tabanlarından bilgi çıkarımı olarak ortaya çıksa da günümüzde geliştirilen yeni yöntemler ve teknolojilerin desteği ile tahmin gücünden daha fazla yararlanılmaktadır. Çalışmada veri madenciliği sınıflandırma yöntemlerinden destek vektör makineleri, web kullanım madenciliği verisi olan web günlük dosyaları üzerine uygulanmıştır. Kullanılan veri seti bir e-ticaret sitesinin 812 güne ait web günlük dosyalarıdır. Web günlük dosyaları yapılandırılmamış veri içermektedir ve bu tip verinin analizi yapılandırılmış veriye göre daha zordur. Bu nedenle analiz öncesinde verinin temizlenmesi gerekmiş ve bu süreç çalışmada uzun bir süre almıştır. Çalışmada satın alma davranışının eğilimini belirlemek hedeflenmiştir. Destek vektör makineleriyle sınıflandırma yapılmış sonuçlar lojistik regresyonla elde edilen sonuçlarla karşılaştırılmıştır. Destek vektör makineleri ile bir e-ticaret sitesi uygulamasında daha doğru sınıflandırma yapılabildiği görülmüştür.

🔖

Cite This Article

ÇELİK, S. (2017). Applying Web Usage Mining for the Analysis of Web Log Files. Istanbul Business Research, Cilt: 46 - Sayı: 1, 62–75. https://ajindex.com/articles/65426

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Agosti, M. ve Di Nunzio, G. (2007). Web Log Mining: A Study of User sessions. Proceedings of the 10th DELOS Thematic Workshop on Personalized Access, Profile Management, and Context Awareness in Digital Libraries (PersDL). Akaho, S. (1993). VC Dimension Theory for a Learning System with Forgetting, Proceedings of 1993 International Joint Conference on Neural Networks, Tokyo, 1(25-29), 493-496.
  2. Akpınar, H. (2014).
  3. DATA Veri Madenciliği Veri Analizi, Papatya Yayıncılık. Batista, P. ve Silva, M. (2001). Mining Web Access Logs of an On-line Newspaper. The Proceedings of 12th International Meeting of the euro working group on decision support systems. Bose, I. ve Chen, X. (2009). Quantitative models for direct marketing: A review from systems perspective. European Journal of Operational Research, 195(1), 1-16
  4. Brusilovsky, P., Kobsa, A. ve Nejdl, W. (2007).
  5. The Adaptive Web, Springer. Bucklin, R. (2008). Marketing Models for Electronic Commerce. Handbook of Marketing Decision Models, s. 327. Burez, J. ve Van den Poel, D. (2009). Handling class imbalance in customer churn prediction. Expert Systems with Applications, 36, 4626-4636.
  6. Chawla, N., Bowyer, K., Hall, L. ve Kegelmeyer, W.(2002). SMOTE: synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16(1), 321-357.
  7. Chitraa, V. ve Davamani, A. (2010). A Survey on Preprocessing Methods for Web Usage Data. International Journal of Computer Science and Information Security, 7(3). Clarke, B., Fokoué, E. ve Zhang, H. (2009). Principles and Theory for Data Mining and Machine Learning. New York: Springer Science+Business Media. Cooley, R., Mobasher, B. ve Srivastava, J. (1997). Web Mining: Information and Pattern Discovery on the World Wide Web. Proceedings 9th IEEE International Conference on Tools with Artificial Intelligence, 558-567.
  8. Drummond, C., Holte, R. (2003). C4.5, Class Imbalance, and Cost Sensitivity: Why Under-Sampling beats Over-Sampling. Workshop on Learning from Imbalanced Datasets II, ICML. Washington DC. Etzioni, E. (1996). The World Wide Web: Quagmire or Gold Mine. Communication of the ACM, 39(11), 65-68.
  9. He, H., Garcia, E. (2009). Learning from Imbalanced Data. Ieee Transactions on Knowledge and Data Engineering, 21(9), 1263-1284.
  10. Hughes, A. (2005). Strategic Database Marketing: The Masterplan for Starting and Managing a Profitable, Customer-Based Marketing Program, McGraw-Hill. Japkowicz, N. (2000). The Class Imbalance Problem: Significance and Strategies. In Proceed