Luận án tiến sĩ về dự đoán hành vi truy cập web qua khai phá dữ liệu tuần tự

• Tác giả: Nguyễn Thôn Dã
• Người hướng dẫn: TS. Tân Hạnh
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Dự Đoán Hành Vi Truy Cập Web
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

• LỜI CAM ĐOAN
• 1. PHẦN MỞ ĐẦU
• 1.1. Giới thiệu
• 1.2. Tính cấp thiết của luận án
• 1.3. Mục tiêu của luận án
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.5. Các vấn đề nghiên cứu
• 1.6. Phương pháp nghiên cứu
• 2. TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU TUẦN TỰ CHO DỰ ĐOÁN TRUY CẬP WEB
• 2.1. Khái niệm dự đoán hành vi truy cập Web
• 2.2. Các phương pháp phổ biến
• 2.3. Phương pháp luật kết hợp
• 2.4. Các công trình nghiên cứu liên quan
• 2.5. Ưu điểm và hạn chế
• 2.6. Phương pháp chuỗi Markov
• 2.7. Các nghiên cứu liên quan
• 2.8. Ưu điểm và hạn chế
• 2.9. Phương pháp Clustering
• 2.10. Các nghiên cứu liên quan, ưu điểm và hạn chế
• 2.11. Phương pháp mạng neuron nhân tạo
• 2.12. Ưu điểm và hạn chế
• 2.13. Các phương pháp phối hợp các phương pháp phổ biến
• 2.14. Các công trình liên quan
• 2.15. Ưu điểm, hạn chế và khuyến nghị
• 2.16. Phương pháp dự đoán chuỗi dữ liệu tuần tự
• 2.17. Phương pháp cây dự đoán (Compact Prediction Tree - CPT)
• 2.18. Phương pháp cây dự đoán cải tiến (Compact Prediction Tree plus - CPT+)
• 2.19. Ưu điểm và hạn chế của phương pháp cây dự đoán cải tiến (CPT+)
• 2.20. Tổng hợp so sánh các phương pháp dự đoán chuỗi dữ liệu tuần tự
• 2.21. Đề xuất mô hình dự đoán hành vi truy cập Web
• 2.22. Các giải pháp đề xuất
• 2.23. Kết luận chương 1
• 3. XÂY DỰNG CƠ SỞ DỮ LIỆU TUẦN TỰ CHO DỰ ĐOÁN TRUY CẬP WEB
• 3.1. Cơ sở lý luận của giải pháp
• 3.2. Khái niệm Web Usage Mining
• 3.3. Định nghĩa Web Usage Mining
• 3.4. Tầm quan trọng của Web Usage Mining
• 3.5. Khái niệm cơ sở dữ liệu Web Log
• 3.6. Định nghĩa cơ sở dữ liệu Web Log
• 3.7. Cấu trúc và nội dung Web Log
• 3.8. Xây dựng cơ sở dữ liệu tuần tự cho dự đoán truy cập Web
• 3.9. Phương pháp
• 3.10. Các kết quả thử nghiệm
• 3.11. Đánh giá và thảo luận
• 3.12. Kết luận chương 2
• 4. NÂNG CAO HIỆU QUẢ VỀ ĐỘ CHÍNH XÁC KHAI PHÁ DỮ LIỆU TUẦN TỰ CHO DỰ ĐOÁN TRUY CẬP WEB
• 4.1. Cơ sở lý luận của giải pháp
• 4.2. Nội dung của giải pháp nâng cao hiệu quả về độ chính xác cho dự đoán truy cập Web
• 4.3. Giải pháp nâng cao độ chính xác dự đoán truy cập Web với giải thuật PageRank và CPT+
• 4.4. Các kết quả thử nghiệm nâng cao hiệu quả về độ chính xác cho dự đoán truy cập Web
• 4.5. Phương pháp
• 4.6. Các kết quả thử nghiệm
• 4.7. Kết luận chương 3
• 5. NÂNG CAO HIỆU QUẢ VỀ THỜI GIAN KHAI PHÁ DỮ LIỆU TUẦN TỰ CHO DỰ ĐOÁN TRUY CẬP WEB
• 5.1. Cơ sở lý luận của giải pháp
• 5.2. So sánh thời gian thực thi của các tiếp cận dự đoán dữ liệu tuần tự
• 5.3. Các bộ dữ liệu dùng để so sánh thời gian thực thi dự đoán
• 5.4. So sánh thời gian của các tiếp cận dự đoán dữ liệu tuần tự
• 5.5. Giải pháp nâng cao hiệu quả về thời gian cho dự đoán truy cập Web với CPT+
• 5.6. Cơ sở lý luận của giải pháp
• 5.7. Giải thuật nâng cao hiệu quả về thời gian dự đoán truy cập Web
• 5.8. Các kết quả thử nghiệm nâng cao hiệu năng thời gian thực thi dự đoán truy cập Web
• 5.9. Phương pháp
• 5.10. Kết quả thử nghiệm và phân tích
• 5.11. Kết quả thử nghiệm trên tập dữ liệu FIFA
• 5.12. Kết quả thử nghiệm trên tập dữ liệu KOSARAK
• 5.13. Kết quả thử nghiệm trên tập dữ liệu BMS
• 5.14. Kết quả thử nghiệm trên tập dữ liệu pamviewsanibel
• 5.15. Kết quả thử nghiệm trên tập dữ liệu inees
• 5.16. Kết luận chương 4
• 6. TÍCH HỢP NÂNG CAO ĐỘ CHÍNH XÁC VÀ NÂNG CAO HIỆU QUẢ VỀ THỜI GIAN KHAI PHÁ DỮ LIỆU TUẦN TỰ CHO DỰ ĐOÁN TRUY CẬP WEB
• 6.1. Tích hợp phương pháp K-Fold Cross Validation cho giải pháp nâng cao độ chính xác khai phá dữ liệu cho dự đoán truy cập Web
• 6.2. Phương pháp K-Fold Cross Validation
• 6.3. Xây dựng các tập dữ liệu huấn luyện và nâng cao độ chính xác
• 6.4. Phương pháp
• 6.5. Kết quả thực nghiệm và phân tích
• 6.6. Kết hợp giải pháp nâng cao độ chính xác và hiệu quả về thời gian khai phá dữ liệu tuần tự cho dự đoán truy cập Web
• 6.7. Phương pháp
• 6.8. Kết quả thực nghiệm và phân tích
• 6.9. Kết luận Chương 5
• PHẦN KẾT LUẬN
• Đóng góp của luận án
• Đánh giá, bàn luận tổng quan dự đoán truy cập Web
• Đánh giá, bàn luận về kết quả nghiên cứu chuẩn hóa cơ sở dữ liệu Web Log cho dự đoán truy cập Web
• Đánh giá, bàn luận về kết quả nâng cao hiệu quả về độ chính xác khai phá dữ liệu tuần tự cho dự đoán truy cập Web
• Đánh giá, bàn luận về kết quả nâng cao hiệu quả về thời gian khai phá dữ liệu tuần tự cho dự đoán truy cập Web
• Đánh giá, bàn luận về kết quả kết hợp giải pháp nâng cao độ chính xác và nâng cao hiệu quả về thời gian khai phá dữ liệu tuần tự cho dự đoán truy cập Web
• Kết luận và kiến nghị
• Hướng phát triển
• DANH MỤC CÁC CÔNG TRÌNH NGHIÊN CỨU
• TÀI LIỆU THAM KHẢO

I. Tính cấp thiết của luận án

Sự phát triển mạnh mẽ của Internet đã tạo ra một lượng lớn dữ liệu từ hành vi người dùng. Hành vi người dùng trên web không chỉ phản ánh nhu cầu mà còn là cơ sở để các doanh nghiệp tối ưu hóa dịch vụ. Việc khai phá dữ liệu từ các nhật ký truy cập web giúp phát hiện xu hướng và nhu cầu của người dùng. Dữ liệu tuần tự từ các phiên truy cập web có thể được sử dụng để dự đoán hành vi trong tương lai. Điều này không chỉ có ý nghĩa trong lĩnh vực thương mại điện tử mà còn trong các ứng dụng khác như trò chơi trực tuyến và IoT. Nghiên cứu này nhằm mục đích phát triển các mô hình dự đoán hiệu quả hơn, từ đó nâng cao trải nghiệm người dùng và tối ưu hóa quy trình kinh doanh.

II. Mục tiêu của luận án

Luận án đặt ra bốn mục tiêu chính nhằm giải quyết bài toán dự đoán hành vi truy cập web. Mục tiêu đầu tiên là nghiên cứu các bài báo liên quan để tìm ra những ưu điểm và hạn chế của các phương pháp hiện tại. Mục tiêu thứ hai là tìm một mô hình cơ sở dữ liệu phù hợp cho việc dự đoán hành vi. Mục tiêu thứ ba là nâng cao độ chính xác của dự đoán thông qua các giải pháp mới. Cuối cùng, mục tiêu thứ tư là giảm thời gian thực thi dự đoán. Những mục tiêu này sẽ được thực hiện thông qua việc phát triển các phương pháp machine learning và thuật toán dự đoán hiệu quả.

III. Các phương pháp nghiên cứu

Luận án sử dụng nhiều phương pháp nghiên cứu để đạt được các mục tiêu đã đề ra. Phương pháp thu thập dữ liệu từ các bộ dữ liệu click-stream và Weblog là bước đầu tiên. Tiếp theo, phương pháp hỏi ý kiến chuyên gia được áp dụng để nhận được những góp ý quý báu từ các nhà nghiên cứu trong lĩnh vực. Cuối cùng, phương pháp nghiên cứu định lượng được sử dụng để phân tích và đánh giá các mô hình dự đoán. Các phương pháp này không chỉ giúp xây dựng cơ sở dữ liệu tuần tự mà còn nâng cao độ chính xác và hiệu quả về thời gian cho việc khai phá dữ liệu.

IV. Đề xuất mô hình dự đoán

Mô hình dự đoán hành vi truy cập web được đề xuất trong luận án dựa trên việc tích hợp các giải pháp nâng cao độ chính xác và giảm thời gian dự đoán. Mô hình này sử dụng Cây dự đoán nén (CPT+) kết hợp với giải thuật PageRank để tối ưu hóa quá trình dự đoán. Việc áp dụng các phương pháp này không chỉ giúp cải thiện độ chính xác mà còn giảm thiểu thời gian xử lý, từ đó nâng cao trải nghiệm người dùng. Mô hình này có thể được áp dụng rộng rãi trong các lĩnh vực khác nhau, từ thương mại điện tử đến các ứng dụng web phức tạp.

V. Kết luận và kiến nghị

Luận án đã chỉ ra rằng việc khai phá dữ liệu tuần tự có thể mang lại nhiều lợi ích cho việc dự đoán hành vi truy cập web. Các mô hình và giải pháp được đề xuất không chỉ nâng cao độ chính xác mà còn cải thiện hiệu quả về thời gian. Kết quả nghiên cứu này có thể được áp dụng trong thực tiễn để tối ưu hóa các dịch vụ trực tuyến. Đề xuất cho các nghiên cứu tiếp theo là mở rộng mô hình dự đoán để bao quát nhiều lĩnh vực khác nhau, từ đó tạo ra những giá trị thực tiễn cao hơn cho người dùng và doanh nghiệp.