2. Descripción del problema

Transcripción

1 Identificación de Hábitos de Uso de Sitios Web Utilizando SOM Martinelli, D. 1, Merlino, H. 1,2, Britos, P. 2,1, García-Martínez, R. 2,1 1 Laboratorio de Sistemas Inteligentes. Facultad de Ingeniería. Universidad de Buenos Aires 2 Centro de Ingeniería del Software e Ingeniería del Conocimiento. Escuela de Postgrado. ITBA hmerlino@programmer.net, rgm@itba.edu.ar RESUMEN En este artículo se muestra la utilidad de la aplicación de SOM en el proceso de descubrimiento de patrones de la identificación de hábitos de uso de sitios web, estudiando las transformaciones necesarias a realizar en los datos de los logs de acceso de los servidores web para utilizarlos como señales de entrada de la red neuronal, luego, los patrones descubiertos se analizaran en orden a su comprensión y explicación 1. Introducción Se denomina Explotación o Minería de Datos al conjunto de técnicas y herramientas aplicadas al proceso no trivial de extraer y presentar conocimiento implícito, previamente desconocido, potencialmente útil y humanamente comprensible, a partir de grandes conjuntos de datos, con objeto de describir de forma automatizada modelos previamente desconocidos, predecir de forma automatizada tendencias y comportamientos [1], [2], [3], [4]. La aplicación de las técnicas de Explotación de Datos en la Web, llamada en inglés Web Data Mining o sintéticamente Web Mining, es definida como el estudio de las técnicas de Data Mining que automáticamente descubren y extraen información desde la Web [5]. La identificación de hábitos de uso de sitios web, conocida en inglés como Web Usage Mining, consiste en el proceso de aplicar técnicas de explotación de datos para el descubrimiento de patrones de uso en paginas web [6], [7]. Ésta utiliza los datos registrados en los logs de acceso de los servidores web, donde se registra el comportamiento de navegación de los usuarios. Este comportamiento toma la forma de una secuencia de vínculos (links) seguidos por el usuario, produciendo una sesión [8], [9], [10]. Con la identificación de hábitos de uso de sitios web se busca: (a) entender el comportamiento de navegación del usuario, permitiendo adaptar los sitios web a sus necesidades; (b) obtener la información para la personalización de los sitios, (c) realizar mejoras en el sistema, (d) modificar el sitio acorde a los patrones descubiertos, (e) realizar inteligencia del negocio y (f) caracterizar el uso del sitio web por los usuarios. Mediante estas acciones se busca: (a) atraer nuevos clientes, (b) retener a los clientes actuales, (c) realizar campañas de promociones efectivas y (d) encontrar la mejor estructura lógica del espacio web [11]. La identificación de hábitos de uso de sitios web consiste de tres etapas: (a) preprocesamiento, (b) descubrimiento de patrones, y (c) análisis de patrones [12]. El pre-procesamiento consiste en convertir la información de uso contenida en los logs (registro de las paginas solicitadas por los clientes a un servidor), realizando previamente una limpieza de los mismos, en una abstracción de datos necesaria para el descubrimiento de patrones. En esta etapa se identifican a los usuarios y al conjunto de sesiones de usuario. La etapa siguiente es el descubrimiento de patrones mediante diversas técnicas disponibles, como por ejemplo, el análisis estadístico, el descubrimiento de reglas de asociación, el agrupamiento, la clasificación y los patrones secuenciales. La última etapa del proceso completo de identificación de hábitos de uso de sitios web es el análisis de los patrones encontrados en la etapa anterior, filtrando reglas o patrones no interesantes, y utilizando métodos visualización útiles para su análisis, realizando proyecciones dinámicas, filtros, zoom y distorsiones interactivas sobre los gráficos generados [13], [14]. ISSN CAPIS-EPG-ITBA (

2 Las redes neuronales artificiales (de acá en adelante RNA) son modelos que intentan reproducir el comportamiento del cerebro; las RNA son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer características esenciales a partir de entradas que representan información irrelevante, de realizar aprendizaje adaptativo, de realizar una autoorganización, además de tener tolerancia a fallos y operar en tiempo real [15], [16]. Conforme la arquitectura del cerebro, la estructura de las RNA involucran una gran cantidad de elementos simples de procesamiento llamadas neuronas. Estas unidades de procesamiento se encuentran altamente interconectadas con las demás mediante conexiones con pesos modificables, cada neurona obtiene sus señales de entrada de otras neuronas o de orígenes externos, y envía señales de salida a otras neuronas o a destinos externos. El aprendizaje en una RNA es desarrollado mediante el ajuste de los pesos de las conexiones entre las neuronas [1], [17], [18]. 2. Descripción del problema 2.1. Prepocesamiento de Logs Una paso crítico en la efectividad de la identificación de hábitos de uso de sitios web es la limpieza y la transformación de los archivos de log del servidor web, y la identificación de las sesiones de los usuarios [12] Limpieza de Logs La limpieza de los log de los servidores web involucra varias tareas [12], [19], [20], [21], [22], [23]. Cuando un usuario solicita una página, ese pedido se graba en el archivo de log, pero, además, si la página posee imágenes, se guardara una línea por cada imagen solicitada. Por ejemplo, si la página solicitada posee tres imágenes, en el archivo de log se guardara una línea para la solicitud de la página, y tres líneas adicionales, una para cada imagen. Este comportamiento ocurre con cualquier recurso que este referenciado desde la página solicitada originalmente, como pueden ser archivos con scripts JavaScript, hojas de estilo, animaciones flash, videos, etc. En la mayoría de los casos, estos registros adicionales almacenados en los archivos log no son necesarios para la tarea de identificación de hábitos de navegación de los usuarios. Por esta causa, es conveniente filtrar todos los registros del log donde los recursos solicitados pertenezcan a algunos de estos tipos, tarea fácilmente llevada a cabo, mediante la extensión del archivo solicitado. Se podrían filtrar todos los registros cuyos archivo solicitados posean las extensiones jpg, jpeg, gif, js, css, swf, avi, mov, etc.. Cuales extensiones filtrar, depende de qué información se busca obtener de la minería del archivo de log. Algunas veces, también es conveniente filtrar algunas páginas contenidas en otras que poseen varios marcos, como por ejemplo una página de información de derechos de copia, incluida en todas las páginas, como un marco inferior. Esta página seguramente no agregara ninguna información adicional para la minería. También puede ser conveniente filtrar algunas páginas generadas dinámicamente. Otra opción de filtrado es en base a los códigos de error de http guardados en los registros de log. Por cada recurso solicitado al servidor, se almacena el código de error de http, que indica si la petición se proceso correctamente (Código de Error 200) o si ocurrió algún tipo de error. Existen códigos para los distintos tipos de errores, algunos de los más comunes son 404 (Recurso no encontrado), 403 (Acceso denegado) y 500 (Error interno del servidor). Para una completa enumeración y descripción ver RFC 2616 [24] Identificación de Usuarios Luego de la limpieza de los logs, se debe identificar a los distintos usuarios. Existen distintos métodos para identificar a los usuarios, cada uno de los cuales posee sus ventajas y desventajas. Un método de identificar a los usuarios es mediante la utilización de cookies [19], [22], [23]. La W3C [25] define a una cookie como datos enviados por el servidor web al cliente, el cual los almacena localmente y los envía nuevamente al servidor en los sucesivos pedidos. En otras palabras, una cookie es simplemente una cabecera http que consiste de una cadena de texto. Las cookies son utilizadas para identificar a los usuarios durante las interacciones dentro de un sitio web y contiene datos que permiten al servidor mantener el registro de las identidades de los usuarios y qué acciones realizan en el sitio web, permitiendo reconocerlos en todas las visitas que realicen posteriormente. Uno de los problemas del uso de las cookies para la identificación de los usuarios, es que los usuarios pueden deshabilitar el soporte para cookies en sus navegadores, con lo cual ya no se almacenaran las cookies en el cliente y no se tendrá la posibilidad de identificarlo en las sucesivas visitas. Otro problema se debe al hecho que las cookies son almacenadas en la computadora del usuario. El usuario podría borrarla y, cuando ingrese nuevamente al sitio, será reconocido como un nuevo visitante. Otra forma de identificar a los usuarios es mediante la utilización de Identd [23]. Identd es un protocolo de identificación especificado en el RFC 1413 que permite identificar a los usuarios de una conexión TCP particular. Dado un par de números de puertos TCP, devuelve una cadena de texto, que identifica al dueño de esa conexión (el cliente) en el sistema del servidor web. El problema del uso de identd para la identificación de los usuarios reside en que el ISSN CAPIS-EPG-ITBA ( 18

3 cliente debe estar configurado para el soporte de identd. También se puede identificar a los usuarios mediante su dirección IP, en cada línea del archivo de log se almacena la dirección IP del cliente que realizó el pedido. Otro método para identificar a los usuarios es mediante la registración explicita de ellos, necesitando que cada usuario inicie una sesión en el sitio web con un usuario previamente registrado por él. Este método tiene el claro problema que se necesita la intervención del usuario y, para algunos tipos de sitios web, es impracticable. Muy parecido al ultimo método resulta la utilización del campo Usuario (authuser) de los archivos log, donde se almacena el nombre del usuario logoneado mediante la autenticación de http. Este método posee los mismos inconvenientes que el método anterior Identificación de Sesiones de Usuario Luego de la identificación de los usuarios, se deben identificar las sesiones de los mismos. Para ello se necesita dividir las distintas peticiones realizadas por un mismo usuario en una o más sesiones. Debido a que las peticiones a los recursos de otros servidores web no están disponibles, es difícil saber cuando un usuario abandona el sitio web. Para la formación de sesiones se utiliza generalmente un tiempo máximo entre sucesivas peticiones, de modo que, si dos peticiones consecutivas de un usuario se realizan con un intervalo de tiempo menor al máximo, las dos peticiones son consideradas como parte de la misma sesión. Si dos peticiones consecutivas se realizan con un intervalo de tiempo mayor al máximo, las dos peticiones corresponden a sesiones distintas; la primera es la ultima petición de una sesión y la otra es la primera de una nueva sesión. Se debe seleccionar un tiempo máximo entre peticiones, para lo cual se han realizado investigaciones que buscan encontrar el valor que mejor divida las sesiones de los usuarios. Catledge y Pitkow [25] establecieron un valor optimo en forma empírica de 25.5 minutos. Este valor debería ser revisado, como se indica en [19], debido a que varios factores han cambiado desde la realización de la experimentación por parte de Catledge y Pitkow. Uno de los factores que han cambiado es que ha aumentado considerablemente la cantidad de conexiones de banda ancha, las cuales poseen un tiempo ilimitado de navegación mensual a un costo fijo. Sin embargo, generalmente, es utilizado el valor de 30 minutos como valor máximo entre dos peticiones de una misma sesión Identificación de hábitos de usuario Luego del preprocesamiento del log, la limpieza del mismo, la identificación de los usuarios, sus sesiones y transacciones, se procede al descubrimiento de hábitos de los usuarios. 3. Solución propuesta La solución propuesta consiste en la utilización de una red neuronal SOM para la identificación de hábitos de usuarios. Esta red neuronal debe agrupar a los usuarios de un sitio web sobre la base de las páginas accedidas por los mismos. Para ello, se debe procesar el archivo de log del sitio a analizar, para identificar a los usuarios y a las sesiones de los mismos. Luego, con estas sesiones de usuarios es entrenada la red, para agrupar a los usuarios de forma automática. La elección de la red neuronal SOM es debido a la característica de la misma de posee un entrenamiento no supervisado, permitiendo realizar el agrupamiento de los usuarios en forma automática, sin intervención del usuario más que para configurar algunos pocos parámetros para el análisis Tareas de Preprocesamiento Empleadas Para el presente trabajo se decidió utilizar el formato de log común (CLF) debido a la gran utilización del mismo. Se realizó la herramienta parametrizable, de modo que las tareas de limpieza puedan ser adaptadas a las necesidades de cada caso. Para ello, se utilizaron distintos filtros a los archivos de log, los cuales permiten que el usuario defina su comportamiento. El primer filtro que se implemento es un filtro de extensiones de recursos. El usuario puede indicar cuales extensiones de los recursos deben ser incluidas en el armado de las sesiones de los usuarios. Toda extensión no indicada por el usuario, será filtrada e ignorada para el armado de las sesiones. El segundo filtro disponible es sobre la base de los códigos de error de http. El usuario indica que códigos de error son considerados para la tarea de la construcción de las sesiones de usuarios. Solo las líneas del archivo de log que posean los códigos de error especificados por el usuario serán incluidas en el proceso de construcción de sesiones. En forma predeterminada, solo el código de error 200 es considerado. El tercer filtro disponible viene dado por el amplio empleo actual de páginas generadas dinámicamente. Muchas de estas páginas poseen una plantilla o un controlador, donde son incluidas las distintas páginas. Por ende, en los archivos de log, queda registrada la petición solamente a la página correspondiente a la plantilla o al controlador. En varias ocasiones, se puede diferencias a las distintas páginas reales incluidas en un sitio debido al uso de una variable que identifica la página ha ser incluida. Esta variable es comunicada generalmente mediante el método GET al servidor, por lo cual, el valor de esta variable aparece en la URL de la petición. No es el ISSN CAPIS-EPG-ITBA ( 19

4 caso si el método utilizado es POST. El filtro permite indicar qué variables identifican a páginas distintas dentro de una misma plantilla o controlador, de modo de poder ser reconocidas las distintas páginas reales visitadas por el usuario. Este filtro resulta de gran utilidad en la actualidad y se presenta en este trabajo de forma novedosa. Para la identificación de los usuarios se utilizo la dirección IP, debido a que no se necesita información adicional a la incluida en los log de formato común. Todas las peticiones originadas desde una misma dirección IP son consideradas pertenecientes al mismo usuario. Adicionalmente, se utilizo el usuario de autenticación http, cuando el mismo este disponible para identificar a los distintos usuarios. Las sesiones fueron divididas teniendo en cuenta un tiempo máximo entre peticiones consecutivas consideradas pertenecientes a la misma sesión de usuario. Este tiempo es configurable por el usuario, teniendo el valor por defecto de treinta minutos. También es posible indicar la cantidad mínima de páginas en una sesión para tomarla en consideración en la posterior tarea de identificación de hábitos de los usuarios. Además se permite indicar la frecuencia mínima de cada página, filtrando las páginas que posean una frecuencia menor a la mínima en el total de peticiones de todos los usuarios Identificación de hábitos de usuarios Luego de identificar todas las sesiones de los usuarios, se debe generar el formato adecuado para poder ingresar las sesiones como patrones a la red neuronal. Para cada sesión, se indica la presencia (1) o la ausencia (0) de cada página perteneciente al sitio web, resultando en un vector, de tamaño igual a la cantidad de páginas del sitio, para cada sesión. Cada elemento del vector es un número binario, indicando la presencia o no de la página representada por esa posición. Estos vectores corresponden con los patrones de entrada de la red neuronal utilizada para la identificación de hábitos de los usuarios. La red neuronal empleada es un mapa autoorganizativo (SOM), que posee tantas entradas como páginas frecuentes posea un sitio web. Las páginas frecuentes son las que poseen una frecuencia mayor a la especificada por el usuario en la tarea de preprocesamiento. La red neuronal se construye en forma dinámica para permitir las entradas necesarias para el sitio web analizado. La salida de la red neuronal SOM es un mapa de dos dimensiones de N x N, donde N es configurable por el usuario, y depende de la cantidad de clusters que el mismo desee obtener. En el mapa de salida, solo una salida será activada, indicado por el valor binario uno. Todas las demás salidas, tendrán un valor nulo. La salida activada representa el cluster al cual pertenece el patrón ingresado. Patrones similares pertenecerán al mismo cluster o a clusters cercanos en el mapa de salida. Para poder realizar experiencias que permitan analizar la solución propuesta se desarrollará una herramienta que permita realizar la identificación de hábitos de usuarios utilizando la red neuronal SOM y realizando el preprocesamiento descripto. 4. Resultados obtenidos Se analizaron los logs de dos sitios web, uno sobre música y otro sobre gastronomía, de modo de poder analizar los resultados obtenidos y evaluar la calidad de la solución propuesta en esta tesis. Para cada sitio se realizaron todos los pasos involucrados en la identificación de hábitos de usuarios, comparando los resultados obtenidos mediante la red neuronal SOM y mediante el algoritmo K-Means Análisis Logs sitio sobre música Sitio que permite la compra de canciones en el formato MP3 [26]. En este sitio se pueden realizar búsquedas de canciones y escuchar un fragmento de las canciones antes de comprarlas. Los usuarios que se hayan registrado previamente o lo hagan en ese momento, podrán comprar las canciones que resultaron de su agrado. Registros en el archivo de log original: Registros (77 MB) Cantidad de sesiones en cada cluster. A continuación se muestra la cantidad de sesiones en cada cluster obtenida mediante los dos métodos [Figuras 1 y 2]: Figura 1. Porcentaje de sesiones en cada cluster con SOM ISSN CAPIS-EPG-ITBA ( 20

5 usuarios realizadas mediante la red neuronal mapa autoorganizativo (SOM) y el método convencional K-Means, se puede apreciar la superioridad de la información suministrada por los clusters generados utilizando la red neuronal. La red neuronal mapa auto-organizativo (SOM) logra agrupar a los usuarios en clusters donde existe más similitud entre las páginas que acceden los usuarios pertenecientes al mismo. Esto provoca que exista mayor cantidad de páginas con gran porcentaje de acceso por los usuarios de cada cluster, permitiendo entender y analizar mejor los hábitos de los usuarios. En los cluster descubiertos utilizando K-Means se posee solo una o dos páginas con alto porcentaje de acceso por los usuarios pertenecientes a cada cluster. Esto ocasiona que se posea poca información sobre los hábitos de los usuarios de cada cluster Análisis Logs El Cuerpo de Cristo Figura 2. Porcentaje de sesiones en cada cluster con K- Means Representación de los clusters mediante las páginas de sus sesiones. A continuación se muestra las páginas que accedieron los usuarios de cada cluster [Tabla 1]. El tema central del sitio es la gastronomía. El sitio El Cuerpo de Cristo [27] expone distintos articulos sobre cuestiones culinarias, permitiendo que los usuarios registrados envien sus propios artículos, para su aprobación y posterior publicación por los responsables del sitio. Además, posee un wiki sobre gastronomía. Un wiki son páginas web que pueden ser modificadas por los visitantes, agregando la información que ellos deseen. También posee un sector con galerías de imágenes y un sistema para obtener recetas de comidas en base a los ingredientes disponibles en el momento. Registros en el archivo de log original: Registros (42 MB) Cantidad de sesiones en cada cluster. A continuación se muestra la cantidad de sesiones en cada cluster obtenida mediante los dos métodos [Figura 3, Figura 4]: Tabla 1. Páginas en cada cluster Conclusión Análisis Logs sitio sobre música. Comparando los resultados de las clusterizaciones de Figura 3. Porcentaje de sesiones en cada cluster con SOM ISSN CAPIS-EPG-ITBA ( 21

6 Figura 4. Porcentaje de sesiones en cada cluster con K- Means Representación de los clusters mediante las páginas de sus sesiones. A continuación se muestra las páginas que accedieron los usuarios de cada cluster [Tabla 2]. Tabla 2. Páginas en cada cluster Conclusión Análisis Logs El Cuerpo de Cristo. Comparando los resultados de las clusterizaciones de usuarios realizadas mediante la red neuronal mapa autoorganizativo (SOM) y el método convencional K-Means, se puede apreciar la superioridad de la información suministrada por los clusters generados utilizando la red neuronal. La red neuronal mapa auto-organizativo (SOM) logra agrupar a los usuarios en clusters donde existe más similitud entre las páginas que acceden los usuarios pertenecientes al mismo. Esto provoca que exista mayor cantidad de páginas con gran porcentaje de acceso por los usuarios de cada cluster, permitiendo entender y analizar mejor los hábitos de los usuarios. En los cluster descubiertos utilizando el algoritmo K-Means se posee solo una o dos páginas con alto porcentaje de acceso por los usuarios pertenecientes a cada cluster. Esto ocasiona que se posea poca información sobre los hábitos de los usuarios de cada cluster [28], [29]. 5. Conclusiones Analizando los resultados obtenidos en los dos sitios utilizados para la experimentación de la solución propuesta, se encuentra que la utilización de la red neuronal mapa auto-organizativo (SOM) para la identificación de hábitos de usuarios es muy satisfactoria, ya que se obtienen mejores resultados que al utilizar métodos tradicionales. Comparando la solución propuesta con un método tradicional como K-Means, se puede ISSN CAPIS-EPG-ITBA ( 22

7 observar la superioridad de la alternativa propuesta debido al mejor agrupamiento de los usuarios, que se refleja en una mayor información obtenida sobre las páginas que acceden los usuarios pertenecientes a cada grupo descubierto. Mediante la utilización de K-Means para el agrupamiento de los usuarios se obtiene muy poca información sobre los hábitos de los usuarios pertenecientes a cada grupo, debido a la poca cantidad de páginas que se identifican como de acceso frecuente entre los usuarios de cada grupo descubierto. Sin embargo, se observó que la utilización de la red neuronal mapa auto-organizativo (SOM) para el agrupamiento de usuarios, tiende a generar algunos grupos con gran cantidad de sesiones de usuarios pertecientes a los mismos. Los grupos de usuarios descubiertos mediante K-Means poseen, en general, una mejor distribución de la cantidad de sesiones de usuarios pertenecientes a cada grupo. Los tiempos requeridos para la identificación de los hábitos de los usuarios son similares entre las dos soluciones comparadas. Sin embargo, a medida que la cantidad de sesiones de usuarios a analizar aumenta, se comienza a identificar una mayor velocidad con la utilización del algoritmo K-Means, comparada con la red neuronal mapa auto-organizativo (SOM). 6. Referencias [1] Abidi, S.S.R. (1996). Neural networks: their efficacy towards the Malaysian IT environment. School of Computer Sciences. University Sains Malaysia. [2] Piatetski-Shapiro, G., Frawley, W.J., Matheus, C.J. (1991). Knowledge discovery in databases: an overview. AAAI- MIT Press, Menlo Park, California. [3] Chen, M., Han, J., Yu, P. (1996). Data mining: An overview from database perspective. IEEE Transactions on Knowledge and Data Eng. [4] Mannila, H. (1997). Methods and problems in data mining. In Proc. of International Conference on Database Theory, Delphi, Greece. [5] Cernuzzi, L., Molas, M.L. (2004). Integrando diferentes técnicas de Data Mining en procesos de Web Usage Mining. Universidad Católica "Nuestra Señora de la Asunción". Asunción. Paraguay. [6] Srivastava, J., Cooley, R., Deshpande, M., Tan, P.N. (2000). Web Usage Mining: Discovery and Applications of Usage Patterns from Web Data. ACM SIGKDD, Jan [7] Kosala, R., Blockeel, H. (2000). Web Mining Research: A Survey. ACM SIGKDD, July [8] Batista, P., Silva, M.J. (2002). Mining Web Access Logs of an On-line Newspaper. Departamento de Informática, Faculdade de Ciencias Universidade de Lisboa. Lisboa. Portugal. [9] Borges, J., Levene, M. (2000). A Fine Grained Heuristic to Capture Web Navigation Patterns. ACM SIGKDD, July [10] Chen, H., Chau, M. (2004). Web Mining: Machine Learning for Web Applications. Annual Review of Information Science and Technology, 38, [11] Abraham, A., Ramos, V. (2003). Web Usage Mining Using Artificial Ant Colony Clustering and Linear Genetic Programming. [12] Mobasher, B., Cooley R., Srivastava, J. (1999). Creating Adaptive Web Sites Through Usage-Based Clustering of URLs. [13] Keim, D.A., (2002). Information Visualization and Visual Data Mining. IEEE Transactions on Visualization and Computer Graphics, VOL. 7, NO. 1, January-March [14] Ankerst, M. (2001). Visual Data Mining with Pixeloriented Visualization Techniques. The Boing Company. Seattle, WA. [15] Grosser, H. (2004). Detección de fraude en telefonía celular usando redes neuronales. Laboratorio de Sistemas Inteligentes. Facultad de Ingeniería. UBA. Argentina. [16] Daza P., S.P. (2003). Redes neuronales artificiales: Fundamentos, modelos y aplicaciones. Universidad Militar Nueva Granada. Facultad de Ingeniería Bogota. Colombia. [17] Roy, A. (2000). Artificial Neural Networks - A Science in Trouble. ACM SIGKDD, Jan [18] García Martínez, R., Servente, M., Pasquini, D. (2003). Sistemas Inteligentes. Nueva Librería [19] Huysmans, J., Baesens B., Vanthienen J. (2003). Web Usage Mining: A Practical Study. Katholieke Universiteit Leuven, Dept. of Applied Economic Sciences [20] Pierrakos, D., Paliouras, G., Papatheodorou, C., Spyropulos, Lalani, A.S., Data mining of web access logs. School of Computer Science and Information Technology. Royal Melbourne. Institute of Technology. Melbourne, Victoria, Australia, [21] Kerkhofs, J.,Vanhoof, K., Pannemans, D., Web Usage Mining on Proxy Servers: A Case Study. Limburg University Centre, 2001 [22] Eirinaki, M., Vazirgiannis, M. (2003) Web Mining for Web Personalization. Athens University of Economics and Business. [23] RFC 2616 Hypertext Transfer Protocol HTTP/ Vigente al 19/11/2005. [24] WCA. Web characterization terminology & definitions. Vigente al 19/11/2005. [25] Catledge, L., Pitkow, J. (1995) Characterizing browsing strategies in the world wide web. Computer Networks and ISDN Systems, 27(6): , Abril. [26] DirectoNIC Tienda de Música Digital. vigente al [27] ECDC (2006) El Cuerpo De Cristo. Experimentación Culinaria. pagina vigente al [28] Felgaer, Pablo E. (2004). Redes bayesianas aplicadas a minería de datos inteligente. Tesis de Grado en Ingeniería Informática. Laboratorio de Sistemas Inteligentes. Facultad de Ingeniería. UBA. Argentina. [29] Cooley, R., Tan, P.N., Srivastava, J. (1999). Discovery of interesting usage patterns from web data. University of Minnesota. ISSN CAPIS-EPG-ITBA ( 23