基于EDDG关联图的Web预测模型  

Web predictive model based on exponential descendent dependency graph

作　　者：石磊[1,2] 黄中州[1,2] 刘扬[1,2] 刘全[1,2] 

机构地区：[1]郑州大学信息工程学院计算机系,河南郑州450001 [2]河南省信息网络重点开放实验室,河南郑州450052

出　　处：《计算机工程与设计》2010年第10期2212-2215,共4页Computer Engineering and Design

基　　金：国家自然科学基金项目(60472044)

摘　　要：DG关联图预测模型的预测准确度较低,PPM树预测模型的空间复杂度巨大。为了解决以上两个问题,在对Web对象的浏览特征以及用户浏览深度特征进行研究的基础上,对传统的DG关联图预测模型进行优化,采用指数级下降算法修正传统DG关联图预测模型在计算转移概率方面的缺陷,提出基于EDDG关联图的Web预测模型。实验结果表明,该预测模型可获得与PPM树预测模型相近的预测准确度,同时算法的空间复杂度也得到了较大的改进。The predictive accuracy of DG（dependency graph） predictive model is lower,although PPM model has higher predictive accuracy,it occupies large storage space.In order to resolve those problem,the standard DG model is optimized according to Zipf＇s law and web surfing characteristics,and the EDDG（exponential descendent dependency graph） model is proposed in order to fix the defects which lie in the traditional DG model by exponential descendent algorithms.Experimental results show that the EDDG model can save the storage space while get the similar predictive accuracy with PPM model.

关 键 词：Web预测 EDDG模型 DG模型 PPM模型 Zipf定律 

分 类 号：TP393[自动化与计算机技术—计算机应用技术]