[发明专利]一种用于Web会话聚合的关键Cookies识别方法

说明书

技术领域

本发明涉及一种可用于Web会话合并的关键Cookies识别方法，属于Web日志预处理领域。

背景技术

Web日志挖掘是指将关联规则、聚类分析、预测等挖掘技术应用于Web服务器日志文件，以发现隐藏在其中的用户访问Web页面的模式。Web日志预处理是在Web日志挖掘前，对Web日志进行清理、过滤以及重新组合的过程。Web日志挖掘的数据预处理部分结果的准确性直接影响了Web日志挖掘的效率与准确性。

识别用户会话是Web日志预处理中最重要的部分。有时候，单纯的依靠URL(英文全称为Uniform Resource Locator)识别的用户会话并不全面。这个时候需要依靠Cookie中的信息判断若干不完整的用户会话是否属于同一个用户。换句话说，就是将识别出来的不完整的用户会话进行合并。会话合并是将识别出的不完整的会话中所有的Cookies项都取出来比较。每一个用户会话都拥有很多网站，每个网站都有很多Cookies项。

Cookie是指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常这些Cookies是经过加密)。基于HTTP的请求模式，Cookie的存储形式为name＝value。这里的name是网站自定义的。这里的value是网站根据自身信息和用户信息给定的。由此可知，各个网站的各个不同的Cookie项的含义各不相同。

CookiePicker是自动利用Cookie信息来帮助Web用户制定决策的系统，该系统包括几个特点：自动制定决策；高准确性；较低的运行开销，其内容具体见如下参考文献：

Chuan Yue，Mengjun Xie，Haining Wang，“Automatic Cookie Usage Setting with CookiePicker”，37th Annual IEEE/IFIP International Conference on Dependable Systems and Networks(DSN′07)，ISBN：0-7695-2855-4。

发明内容

本发明的目的是识别出不同网站的key-Cookies，通过这些key-Cookies可使会话合并的效率明显提升，key-Cookies为用于识别用户的个人信息和用户的上网终端的信息的Cookies信息。

为了达到上述目的，本发明的技术方案是提供了一种用于Web会话聚合的关键Cookies识别方法，其特征在于，步骤为：

步骤1、获取Web日志文件，提取出Web日志文件中每条记录的站点名称Site；

步骤2、以站点名称Site为分组依据将Web日志文件中的所有记录分组，使得同一站点名称Site的记录都合并到一个组，并建立其与相应站点名称Site的对应关系，第i个站点名称Site_i对应记录组List[Record]i；

步骤3、在步骤2得到的各个记录组中提取所有包含用户信息的Cookie项的名称，并保存至不同的用户信息Cookie项名称列表，第i个站点名称Site_i对应用户信息Cookie项名称列表list[user-Cookies]_i；

步骤4、在步骤2得到的各个记录组中提取所有包含浏览网站的终端信息的Cookie项的名称，并保存至不同的终端信息Cookie项名称列表，第i个站点名称Site_i对应终端信息Cookie项名称列表list[terminal-Cookies]_i；

步骤5、将步骤3得到的各用户信息Cookie项名称列表与步骤4得到的各终端信息Cookie项名称列表以站点名称Site作为等值连接的条件进行连接操作，得到各个站点名称Site的关键Cookie项名称列表，第i个站点名称Site_i对应关键Cookie项名称列表list[key-Cookies]_i。

优选地，所述步骤3包括：

步骤3.1、利用正则表达式匹配同一记录组的所有Cookie项中是否有满足条件的邮箱信息，若有，则将包含该邮箱信息的Cookie项的名称放入与当前站点名称Site对应的用户信息Cookie项名称列表中，并进入步骤3.2，若无，直接进入步骤3.2，其中，所使用的正则表达式为：

″^([a-zA-Z0-9_＼＼.＼＼-])+//@(([a-zA-Z0-9＼＼-])+＼＼.)+([a-zA-Z]{2，4})+$″；