第１０卷第ｌｌ期２０１０年４月 科学技术与工程 ＶｏＬ １０ Ｎｏ．１１ Ａｐｒ．２０１０ １６７１－１８１５（２０１０）１１－２７６２－Ｏ５ Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ ＠２０１０ Ｓｃｉ． Ｉ ｌ１． 基于Ｗｅｂ日志的数据挖掘的研究及应用 周金枝刘 呖’ 于辰云 （辽宁石油化工大学计算机软件与理论，抚顺１１３００１） 摘要Ｗｅｂ日志挖掘是Ｗｅｂ数据挖掘中非常重要的一个研究领域和研究方向，首先介绍了ｗｅｂ日志挖掘的过程，然后介 ‘．绍了关联规则及关联规则算法——ＦＰ—ｇｒｏｗｔｈ算法，最后将关联规则中的ＦＰ．ｇｒｏｗｔｈ算法应用在网上书店系统中，实瑰对客户 数据的关联规则挖掘。 ．关键词ｗｅｂ日志挖掘 关联规则 ＦＰ—ｇｒｏｗｔｈ算法 中图法分类号ＴＰ３１１．５４；文献标志码Ａ 网上书店 ：Ｗｅｂ挖掘是从Ｗｅｂ资源上发现、抽取、过滤信 息，Ｗｅｂ挖掘包括ｗｅｂ内容挖掘、Ｗｅｂ结构挖掘和 Ｗｅｂ日志挖掘。Ｗｅｂ日志挖掘是Ｗｅｂ数据挖掘的 一几种信息：①访问时间；②请求方法（“ＧＥＴ”、 “ＰＯＳＴ”等）；③访问的ｕＲＬ；④用户的ＩＩ＇地址；⑤ ａｇｅｎｔ，即用户使用的操作系统类型和浏览器软件； 个主要分支¨ ，Ｗｅｂ １３志挖掘主要是从Ｗｅｂ服 ⑥返回码。Ｗｅｂ １３志挖掘的整个过程可分为：数据 收集、数据预处理、模式识别三个阶段。 １．１数据收集 务器的访问１３志文件中抽取用户感兴趣的访问模 式，发现用户的浏览行为，实现个性化推荐服务。 数据挖掘技术在网上购书系统中起着重要作用，使 用数据挖掘技术进行客户数据的挖掘，通过关联规 则挖掘得到不同书籍之间和不同种类书籍之间的 关联关系，在客户购书中可以为客户推荐相关书 籍，从而促进书籍的销售。作为Ｗｅｂ挖掘的技术手 段之一的关联规则挖掘，在Ｗｅｂ １３志挖掘中起着重 Ｗｅｂ １３志挖掘可以通过服务器端、客户端、代 理服务器端进行数据收集。通过Ｗｅｂ服务器记录 用户的访问日志，是一种比较全面的数据收集，本 文的数据收集主要来自 ｂ服务器端的１３志文件， 不同Ｗｅｂ服务器１３志文件格式并不完全相同，但通 常都包括以上所列的６种信息。 １．２数据预处理【 】 要作用。关联规则挖掘的过程主要分为三 阶段， 首先是将数据库转换为事务数据库的形式，然后是 数据预处理是对原始的 ｂ日志进行加工，将 其转换为适当的形式，以适合挖掘算法的实施。数 采用合适的算法挖掘出所有的频繁模式，最后生成 关联规则。本文主要是把ＦＰ－ｇｒｏｗｔｈ算法应用在网 据预处理的一般步骤包括：数据清洗、用户识剐、会 话识别、路径补充。 上书店中，从而对客户数据进行挖掘。 １．２ １数据清洗 ｒ １ Ｗｅｂ日志挖掘过程 Ｗｅｂ日志是指在服务器上有关Ｗｅｂ访问的各 数据清洗就是删除Ｗｅｂ日志中与挖掘算法无 关的数据，包括后缀是 、ｊｐｅｇ、ｃｓｓ、ＪＰｇ等的数据 项，同时将有用的ｗｅｂ日志记录格式转换为适当的 数据格式。 １．２．２用户识别 种日志文件，包括访问１３志、引用日志、代理日志、 错误日志等。Ｗｅｂ服务器访问１３志一般包括以下 ２ＯｌＯ年１月ｌ５日收到 ． ： 用户识别需要根据不同的日志格式采用不同 的识别方法，如果服务器日志中含有用户标识ｃｏｏｋ－ 第一作者简介：周金枝（１９８２～），女，山东省成武县人，硕士生。 ｉｅ，那么利用ｃｏｏｋｉｅ就可以准确地识别用户。但是 １１期 周金枝，等：基于Ｗｅｂ Ｈ志的数据挖掘的研究及应用 ２７６３ 绝大多数用户出于安全的考虑，使得服务器不能得 因果关联等。这些关联并不总是事先知道的，而是 到ｃｏｏｋｉｅ。一般的日志格式采用以下方法进行用户 通过对数据的关联分析获得的，因而对商业决策具 识别：①不同的ＩＰ属于不同的用户；②如果ＩＰ地 有新的价值，可被应用于许多商业领域。关联规则 址相同，但是操作系统类型和浏览器软件不同，则 挖掘的一个典型应用是购物篮分析。该过程通过 认为是不同的用户；③借助站点拓扑，若发现用户 发现顾客放人其购物篮中不同商品之间的联系，从 正请求的页面，不能从已访问的任何页面到达，则 而分析顾客的购买习惯。例如“在购买ＪＳＰ书的顾 认为是新用户。 客当中，有７０％的人同时购买了Ｊａｖａ书”。这种关 １．２．３会话识别 联发现可以帮助零售商制定营销策略。 用户会话被定义为用户在对网站的一次访问 ２．１关联规则 过程中所请求的ＵＲＬ的集合，若某一用户发出连续 设，＝｛ｉ ，ｉ ，…，ｉ ｝是所有项的集合，Ｄ是一组 两个ＵＲＬ请求的时间差不超过规定的时间阈值，则 事务集。Ｄ中的每个事务Ｔ是一个项的集合，并且 这两次请求被划分在同一用户会话中，否则分别属 满足Ｔ ，。每个事务Ｔ都有一个唯一的标识。如 于两个不同的用户会话，经验结果表明时间阈值设 果 Ｔ且 Ｉ，就说Ｔ包含 。关联规则是如下 为２５．５分钟比较合适 。 形式的一种蕴含Ｒ： ｙ，其中 ｃＩ，ＹＣＩ，且 ｎ ｌ， １．２．４路径补充 ＝（２ｊ。 路径补充是将浏览器本地缓存和代理服务器 ２．２支持度 缓存的存在而产生的遗漏请求补充到用户会话文 关联规则 ｙ在事务集合Ｄ中成立，则具有 件中。当会话识别完成后，如果发现用户会话序列 支持度ｓ，其中ｓ是Ｄ中事务包含 ｕ ｌ，的百分比， 中当前访问页和上一次请求页之间没有超文本链 它等于Ｄ中包含 和ｌ，的事务个数与Ｄ中事务个 接，那么很可能是用户使用了浏览器中的“ＢＡＣＫ” 数之比，即概率Ｐ（ ｕｙ）。 按钮调出本地缓存中的页面，这时要根据引用日志 ｓｕｐｐｏｒｔ（Ｘ＝：｝Ｙ）＝ｓｕｐｐｏｒｔ（ＸＵ Ｙ）＝Ｐ（ＸＩ Ｙ）。 和网络拓扑结构提供的信息，将日志文件中遗漏的 ２．３置信度 页面补充在路径中。 规则 ｙ在事务集Ｄ中的置信度ｃ为Ｄ中包 １．３模式识别 含 的事务个数与Ｄ中同时包含 和ｙ的事务个 模式识别是使用各种数据挖掘算法＿４ 发现隐 数之比，即条件概率Ｐ（ＹＩ ）。即是 藏在数据背后的规律和模式。可以使用统计、数据 ｃｏｎｆｉｄｅｎｃｅ（ ｙ）＝ｓｕｐｐｏｒｔ（ ｕ Ｙ）／ｓｕｐｐｏｒｔ 挖掘、机器学习和模式识别等各学科领域中已开发 （Ｘ）＝Ｐ（ＹＩ Ｘ）。 的方法和算法。但把这些方法和算法应用于Ｗｅｂ ２．４最小支持度与强项集 日志挖掘时，要考虑Ｗｅｂ日志数据的特性。常用技 最小支持度（Ｍｉｎｉｍｕｍ Ｓｕｐｐｏｒｔ）表示挖掘的关 术有统计分析、关联规则挖掘、生成序列模式、聚 联规则要求数据项必须满足的最小支持度阈值 类、分类以及依赖关系的建模等技术。 （ｍｉｎｉｍｕｍ ｓｕｐｐｏｒｔ ｔｈｒｅｓｈｏｌｄ），记为ｍｉｎｉ—ｓｕｐ，它表示 数据项集关联在一起需要满足的最低联系程度。 ２关联规则 只有满足最小支持度的数据项集才有可能在关联 规则中出现，支持度大于最小支持度的数据项集称 关联规则是关联分析中的一种常用技术 引，它 为强项集（Ｌａｒｇｅ Ｉｔｅｍｓｅｔ），反之，称为弱项集（Ｓｍａｌｌ 反映一个事件和其它事件之间的依赖或关联。关 Ｉｔｅｍｓｅｔ）。 联规则挖掘的目的就是找出数据间隐藏的关联信 ２．５最小置信度 息。关联可以分为简单关联、时序关联、数量关联、 最小置信度表示关联规则必须满足的最小置 ２７６４ 科学技术与工程 ｌＯ卷 信度阈值（ｍｉｎｉｍｕｍ ｃｏｎｆｉｄｅｎｃｅ ｔｈｒｅＳｈｏｌｄ），记为ｍｉｎｉ ＿３）产生模式 Ｕａ ｃｏｎｆ，它反映了一个关联规则的最低可靠度。 ４）ｅｌｓｅ ｆｏｒ ｅａｃｈ ａ 在Ｔｒｅｅ的头部｛ ａｉ．ｓｕｐｐｏ￣； 一 譬 ２．６频繁项集 ５）产生一个模式卢＝ａ Ｕａ其支持度ｓｕｐｐｏｒｆ＝ ６）构造 的条件模式基，然后构造 的条件 ＦＰ—Ｔｒｅｅ／３ ｌｌｌ 如果项集Ｕ＝｛Ｍ。，Ｍ：，…，Ｍ ｝出现的频率大于 或等于最小支持计数ｍｉｎｉ—ｓｕｐ，即满足最小支持度 阈值：则称它为频繁项集（Ｆｒｅｑｕｅｎｔ ｈｅｍｓｅｔ），频繁ｋ一 项集的集合通常记为 。 ２．７强关联规则 ．设有关联规则Ｒ：Ａ ，若（ｓｕｐｐｏ￣（Ｒ）’ｍｉｎｉ— ｓｕｐ）＾（ｃｏｎｉｆｄｅｎｃｅ（Ｒ）ｌ＞ｍｉｎｉ—ｃｏｎｆ）为真，贝０ Ｒ： Ｂ为强关联规则。 ３ ＦＰ－ｇｒｏｗｔｈ算法及其在网上书店中的 应用 ， 由于经典Ａｐｆｉｏｆｉ算法的固有缺陷，就产生了候 选挖掘频繁项集的ＦＰ－ｇｒｏｗｔｈ算法。ＦＰ—ｇｒｏｗｔｈ算 法 采用新的分而治之策略：将提供频繁项目集 的事务数据库压缩到一颗频繁模式树（ｆｒｅｑｕｅｎｔ ｐａｔ— ｔｅｒｎ ｔｒｅｅ简称为ＦＰ一树），但仍保留项目集关联信息； 然后，将这种压缩后的数据库分成一组条件数据 库，每个关联一个频繁项目，并分别挖掘每组条件 数据库。 ３．１ ＦＰ・ｇｒｏｗｔｈ算法描述 算法描述如下： 输入：事务数据库ＴＤＢ，最小支持度阈值ｍｉｎ —ｓｕｐＯ 输出：频繁模式的完全集。 方法： （１）构造ＦＰ—ｔｒｅｅ： ①扫描事务数据库ＴＤＢ一次。收集频繁项的 集合Ｆ和它们的支持度。 ②创建ＦＰ．树的根节点，以“ｎｕｌｌ”标记它。 （２）通过调用ＦＰ－ｇｒｏｗｔｈ（ＦＰ・ｔｒｅｅ，ｎｕｌ１）实现ＦＰ— ｔｒｅｅ的挖掘。该过程实现如下： Ｐｒｏｃｅｄｕｒｅ ＦＰ—ｇｒｏｗｔｈ（Ｔｒｅｅ，口） １）ｉｆ Ｔｒｅｅ含单个路径Ｐ ｔｈｅｎ ’ ２）ｆ０ｒ路径Ｐ中结点的每个组合（记作 ） ７）ｉｆ Ｔｒｅｅ ≠Ｏｔｈｅｎ ・ｉ， ８）调用ＦＰ－ｇｒｏｗｔｈ（Ｔｒｅｅ ，卢）；｝ ３．２ ＦＰ－ｒｇｏｗｔｈ算法在网上书店系统中的应用 网上书店客户数据的关联规则频繁项集挖掘 可采用ＦＰ—ｇｒｏｗｔｈ算法实现。本文以当当网为嘭 截 取２００９年９月１０日到９月ｌ７日所销售图书的 Ｗｅｂ日志，应用Ｗｅｂ １３志预处理技术，得出表１（由 于数据太多，为了便于举例本文只选取了部分数 据），其中数据库ＴＤＢ中有９个事务，且事务中的项 目按字母顺序存放，最小支持计数为２（即ｒａｉｎ—ｓｕｐ ＝２／９＝２２％）。Ｉｉ代表具体的书目或者一类图书 比如Ｉ１—Ｊａｖａ，Ｉ：—ＪｓＰ，Ｉ，一网页制作图书，Ｉ —数据 结构，Ｉ５一Ｃ＋＋。 表１事务集ＴＤＢ 利用ＦＰ—ｇｒｏｗｔｈ算法挖掘关联规则频繁项集的 过程如下： ． （１）扫描事务数据库ＴＤＢ。导出频繁项目的集 合（即频繁１一项目集），并得到它们的支持度计数 频繁项目的集合按支持度计数的递减顺序排月 结 果集记作Ｌ。Ｌ＝｛Ｉ２：７，Ｉ１：６，Ｉ３：６，Ｉ４：２，Ｉ５：２｝。 （２）第二次扫描数据库ＴＤＢ，构造ＦＰ，ｔｒｅｅ。 ｌｌ期 周金枝，等：基于Ｗｅｂ日志的数据挖掘的研究及应用 ２７６５ ＦＰ．ｔｒｅｅ的挖掘过程：有长度为１的频繁模式 （即项目头表中的频繁项目）开始，构造它的条件模 ｔｈｅｎ产生强关联规则Ａ Ｂ并存储 （３）ｉｆ（Ｆ中所有元素被遍历） 输出所有的强关联规则 ｅｌｓｅ返回（１）继续执行 对于上面讨论的实例，根据频繁项集产生关联 式基。然后构造它的条件ＦＰ－ｔｒｅｅ，并递归地在该树 上进行挖掘，模式增长通过后缀模式与由条件ＦＰ— ｔｒｅｅ产生的频繁模式连接实现。对于ＦＰ－ｔｒｅｅ的挖 掘如图１。由图１生成的频繁模式如表２所示。 图１ ＦＰ．ｔｒｅｅ及项目头表 表２频繁模式 由以上分析，可以看出，最后得到的频繁模式 及其支持度：１２Ｉ１Ｉ５：２，Ｉ２Ｉ５：２，Ｉ１Ｉ５：２，Ｉ２Ｉ４：２，Ｉ２Ｉ１Ｉ３： ２，Ｉ１Ｉ３：２，Ｉ２Ｉ３：４，Ｉ２Ｉ】：４。 ３．３发现关联规则 由上面得到的频繁模式，可以找出强关联规则 （同时满足最小支持度和最小置信度）。 ｃｏｎｆｉｄｅｎｃｅ（Ａ Ｂ）＝ｓｕｐｐ（Ａ Ｕ Ｂ）／ｓｕｐｐ（Ａ）。 可以通过以下方法判断： （１）对集合Ｆ中的任意两个元素Ａ和Ｂ，做 判断： ｉｆ（ＡｎＢ＝ 并且ＡｕＢ也是一个频繁集（即Ａ ｕ Ｂ也在Ｆ中）） ｔｈｅｎ ｓｕｐｐ（ＡＵＢ）／ｓｕｐｐ（Ａ） （２）ｉｆ（ｓｕｐｐ（ＡＯＢ）／ｓｕｐｐ（Ａ）Ｉ＞ｍｉｎ—ｃｏｎｆ） 规则，针对频繁项集｛Ｉ。Ｉ ．，Ｉ，｝，它的非空子集有｛Ｉ 。 Ｉ，｝，｛Ｉ ．Ｉ ｝，｛Ｉ ．Ｉ，｝，｛Ｉ ｝，｛Ｉ ｝，｛Ｉ３｝ Ｉ１八Ｉ２＝＝＞Ｉ３ ｃｏｎｆｉｄｅｎｃｅ＝２／４＝５０％ Ｉｌ＾Ｉ３ｊＩ２ ｃｏｎｆｉｄｅｎｃｅ＝２／２：１００％ Ｉ２八Ｉ３ｊＩ１ ｃｏｎｆｉｄｅｎｃｅ＝２／４＝５０％ Ｉ１ Ｉ２ Ａ Ｉ３ ｃｏｎｆｉｄｅｎｃｅ＝２／６＝３３％ Ｉ３ Ｉｌ＾Ｉ２ ｃｏｎｆｉｄｅｎｃｅ＝２／６＝３３％ １２ Ｉ１＾Ｉ３ ｃｏｎｆｉｄｅｎｃｅ＝２／７＝２９％ 设ｍｉｎ—ｃｏｎｆ（最小置信度）为９０％，则只有Ｉ ＾ １３ Ｉ：的规则可以输出，即“同时购买Ｊａｖａ和网页制 作图书的人就会购买ＪＳＰ”。 ４关联规则挖掘在网上书店中的应用 挖掘的目的是为了应用，把关联规则挖掘应用 在网上书店中主要体现在两个方面：一方面是可以 在网上书店系统中进行个性化推荐，把关联图书推 荐给客户；另一方面在购进图书时要考虑书籍之间 的关联性，相关联书籍之间的库存数量不应该相差 太大。从关联规则中我们可以分析出各图书之间 的关联性，预测客户的个性化行为，也可以了解到 客户在购买图书时的兴趣和习惯。因此书店管理 人员可以根据这些关联规则更好地规划书店，从而 增加书店的销售额。利用关联规则挖掘也可以帮 助书店管理者进行决策和管理，减少决策的风险。 因此关联规则挖掘在网上书店中起着重要作用。 ５结束语 关联规则挖掘用于从大量客户数据中揭示项 集之间的有趣关联或相关联系。本文首先介绍了 Ｗｅｂ日志挖掘的过程，接着对关联规则的基本概念 和对挖掘频繁项集的ＦＰ—ｇｒｏｗｔｈ算法进行了分析，最 ２７６６ 科学技术与工程 ｌＯ卷 后将ＦＰ－ｇｒｏｗｔｈ算法应用在网上书店中，实现对客户 ３ 郭崇慧，田凤占．数据挖掘教程．北京：清华大学出版社，２０Ｏ６： 数据的关联规则挖掘。ＦＰ．ｇｒｏｗｔｈ算法与经典的 １７９一ｌ８０ Ａｐｆｉｏｆｉ算法相比，去除了候选项集和重复扫描事务 。 ＷｉｔｔｅｎＩＨ，Ｆｒａｎｋ Ｅ．数据挖掘实用机器学习技术．董琳，邱 数据库的步骤，它的性能也明显高于Ａｐｒｉｏｒｉ算法。 泉，于晓峰，等译．机械工业出版社，２００６：２４１—２４３ 梁循．数据挖掘算法与应用．北京：北京大学出版社，２０Ｏ６： 本文所讨论的方法和思路在其它比如超市等方面 １－－３９ ’ 有一定的借鉴意义，但由于Ｗｅｂ日志挖掘本身的复 ６ Ｎｉｎｇ Ｐａｎｇ，Ｓｔｅｉｎｂａｃｈ Ｍ，Ｋｕｍａｒ Ｖ．数据挖掘导论．范 明，范宏 杂性，仍有许多有待于改进的地方，比如在处理大 建，等译．北京：人民邮电出版社，２００７：２—＿６ 项集的数量，并且由原数据库得到的ＦＰ．ｔｒｅｅ的分支 Ａｇｒａｗａｌ Ｒ，Ｉｍｉｅｌｉｎｓｋｉ Ｔ，Ｓｗａｍｉ Ａ．Ｍｉｎｉｎｇ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ ｂｅｔｗｅｅｎ ｓｅｔｓ ｏｆ ｉｔｅｍｓ ｉｎ ｌａｒｇｅ ｄａｔａｂａｓｅｓ．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＭ ＳＩＧＭＯＤ 很多时，如何提高算法的时间效率。 Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ ｄａｔａ，１９９３：２０ｒ７—＿２ｌ６ 参考文 献 。 冯志新，钟诚．基于ＦＰ－ｔｒｅｅ的最大频繁模式挖掘算法．计算机 工程，２００４；３Ｏ（１１）：ｌ２３—１２４ １李雄飞．数据挖掘与知识发现．北京：高等教育出版社，２００３： ９ Ｗａｎｇ Ｋ，Ｔａｎｇ Ｌ，Ｈａｒｔ Ｊ，ｅｔ ａ１．Ｔｏｐ ｄｏｗｎ ＦＰ－Ｇｒｏｗｔｈ ｆｏｒ ａｓｓｏｃｉａｔｉｏｎ ９７— ８ ｒｕｌｅ ｍｉｎｉｎｇ．Ｐａｃｉｉｆｃ Ａｓｉａ Ｃｏｎｆｅｒｅｎｃｅ ＯＩｌ【Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ ２高哲，魏海平，王福威，等．基于Ｗｅｂ日志挖掘的Ｗｅｂ文档聚 Ｄａｔａ Ｍｉｎｉｎｇ，２００２；３３４删 类．计算机工程与设计，２００８；１８：４７０８—４７ｌ０ Ｔｈｅ Ｒｅｓｅａｒｃｈ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｄａｔａ Ｍｉｎｉｎｇ Ｂａｓｅｄ ｏｎ Ｗｅｂ Ｌｏｇ ＺＨＯＵ Ｊｉｎ—ｚｈｉ，ＬＩＵ Ｙａｎｇ，ＹＵ Ｃｈｅｎ—ｙｕｎ （Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｌｉａｏｎｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｐｅｔｒｏｌｅｕｍ＆Ｃｈｅｍｉｃａｌ Ｔｅｃｈｎｏｌｏｇｙ，Ｆｕｓｈｕｎ １１３￣１，Ｐ．Ｒ．Ｃｈｉｎａ） ［Ａｂｓｔｒａｃｔ］Ｗｅｂ ｌｏｇ ｍｉｎｉｎｇ ｉｓ ｖｅｒｙ ｉｍｐｏｒｔａｎｔ ｒｅｓｅａｒｃｈ ｆｉｅｌｄ ａｎｄ ｒｅｓｅａｒｃｈ ｄｉｒｅｃｔｉｏｎ ｉｎ ｔｈｅ Ｗｅｂ ｄａｔａ ｍｉｎｉｎｇ．Ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ Ｗｅｂ ｌｏｇ ｍｉｎｉｎｇ ｉｓ ｉｆｒｓｔ ｉｎｔｒｏｄｕｃｅｄ，ａｎｄ ｔｈｅｎ ｉｎｔｒｏｄｕｃｅｄ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ ａｎｄ ＦＰ—ｇｒｏｗｔｈ ａｌｇｏｒｉｈｔｍ，ｆｉｎａｌ－ ｌｙ ａｐｐｌｉｅｓ ＦＰ—ｇｒｏｗｔｈ ａｌｇｏｒｉｔｈｍ ｏｆ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ ｔｏ ａ Ｏｉｌ—ｌｉｎｅ ｂｏｏｋｓｈｏｐ．Ｍｉｎｉｎｇ ａｓｓｏｃｉａｔｉｏｎｒｕｌｅｓ ｏｆ ｃｌｉｅｎｔ ｄａｔａ ｉｓ ．ｒｅａｌｉｚｅｄ． ［Ｋｅｙ ｗｏｒｄｓ］Ｗｅｂ ｌｏｇ ｍｉｎｉｎｇ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ ＦＰ—ｇｒｏｗｔｈ ａｌｇｏｒｉｔｈｍ Ｏｉｌ—ｌｉｎｅ ｂｏｏｋｓｈｏｐ
