假设我们有以下网络访问日志。
timestamp page_visted
======================================
2017-01-02 10:00:02 /xxx/a.html
2017-01-02 10:00:06 /xxx/b.html
2017-01-02 10:01:03 /xxx/c.html
2017-01-02 10:02:02 /xxx/d.html
2017-01-02 15:00:02 /xxx/a.html
2017-01-02 15:01:10 /xxx/b.html
2017-01-02 15:03:05 /xxx/c.html
用户访问了我们的网站2次，访问了7页。我的问题是“了解他访问我们网站的次数而不是访问了多少页的最佳方式是什么？”
由于用户可能访问不同数量的页面并为每次访问花费不同的时间，因此很难设置固定的数字或间隔来对这些记录进行分组。是否有任何算法可以根据时间戳对这些记录进行分组（聚类）？感谢。
答案 0 :(得分：0)
会话开始/结束
一个简单的方法就是选择一个表示会话已结束的数字，我已经看到20分钟的不活动用于显示会话已结束。
更强大的方法是将此视为probabilistic problem，因为会话没有固定长度，或者会话之间有固定的时间。
您需要做的第一件事就是查看数据。特别是到达时间。您有一个page_visited事件列表。您需要以秒为单位绘制到达间隔时间的分布（在页面访问之间经过的时间）。
一个公平的假设是，如果会话间时间确实是聚类的，那么分布将看起来Poisson-like，或者它将是类似泊松但additional humps。
如果数据显示不错的Poisson distribution，一种简单的方法是直接使用访问时间的分布。
通过从到达时间的分布中获取适合您的用例的percentile，您可以确定一个非常有用的阈值，超过该阈值，到达时间间隔表明新会话已经开始。< / p>
或者，如果它更有用，您可以使用该分布来获得观察到达间隔时间的概率，其中低概率表示新会话的开始/结束。
更复杂的是，如果分布是双模式的，比如说，因为人们倾向于以类似方式分配会话。如果是这样，可以更简单地探索一个简单的聚类算法，例如k-means，在到达时间间隔，你期望一个集群用于会话内访问，一个集群用于会话间访问。
计算会话次数
一旦您找到了识别不同会话的适当方法，就可以通过用户分组为每个会话分配唯一密钥并计算唯一密钥。