5、有效网站挖掘：结合自组织映射和本体论

有效网站挖掘：结合自组织映射和本体论

1. 引言

自上世纪90年代末互联网成为主流以来，它极大地改变了人们的工作、交流、学习、社交以及了解时事的方式。截至2010年8月，仅索引网页就至少有145.6亿页。同时，Web 2.0的出现让互联网的使用迎来了新的爆发。Web 2.0指的是那些内容不仅由网站管理员修改，还能由访客贡献的网站，像Facebook、LinkedIn、Twitter等社交网络，以及Picasa、YouTube等可分享图片和视频的网站。以下是一些社交媒体网络的数据：
- 互联网上有1.26亿个博客。
- 2009年11月，Twitter每天有2730万条推文。
- Facebook有3.5亿用户，其中50%的用户每天登录。
- Facebook有50万个应用程序。

这些庞大的数据表明互联网上存在着海量信息。同时，网络技术的进步和搜索引擎的发展催生了一种“不耐烦”的互联网文化，用户期望能在数秒内找到所需信息。如今，互联网已成为日常生活的一部分，许多人在办公室、家中设备以及移动设备上都能随时联网。

对于网站来说，面临着两个主要挑战：吸引访客和让访客在网站上停留足够长的时间以实现网站目标。本文着重探讨第二个挑战，即如何通过聚类技术帮助网站访客快速有效地找到信息。网页聚类方法众多，它们属于数据挖掘中的Web挖掘范畴。Web挖掘通常有两种应用方式：
- Web内容挖掘：从互联网上的各种来源发现信息。
- Web使用挖掘（本文也称为上下文挖掘）：挖掘用户的浏览和访问模式。

网站内容可通过分析网页的源代码来研究，在本文中主要关注呈现给访客的文本内容。内容挖掘技术可用于向访客推荐与当前访问页面相似的网页