基于粗糙集理論的高校網站信息知識發現

〔摘 要〕嘗試將粗糙集理論應用于網站信息的知識發現。以廣西17所本科院校的網站鏈接信息作為研究對象，構建影響網站流量排名的指標體系，數據處理采用粗糙集理論，經計算得到約簡后的條件屬性，并自動推導出12條決策規則。實證結果表明，構建的指標體系是合理及正確的，研究結果可為高校網站建設提供定量參考。

〔關鍵詞〕粗糙集理論；鏈接分析理論；高校網站評價

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０１０．１１．００５

〔中圖分類號〕Ｇ２５０.７３ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１（２０１０）１１－００１９－０６

Knowledge Discovery of University Website

Information Based on Rough Set TheoryLiang Zongjing１ Kuang Yun２ Lei Yingxi３

（１．College of Computer Science and Information Technology，Guangxi Normal University，Guilin 541004，China；

２．Department of Mathematics and Computer Science Guilin Normal College，Guilin 541001，China；

３．Department of Computer Science Guilin Science of Technology，Nanning 530001，China）

〔Ａｂｓｔｒａｃｔ〕This paper attempted to study Web information by applied rough set theory.The web link information of Guangxi 17 colleges was studied in this paper.To build adversely affect site traffic ranking index system，and rough set theory as a data processing tool，it was calculated that the conditions obtained after reduction properties，and automatically derived 12 decision rules.The empirical results showed that the construction of the index system was reasonable and correct results could provide quantitative information of university website.

〔Ｋｅｙｗｏｒｄｓ〕rough set theory;link analysis theory;university website evaluation

隨著計算機網絡應用的擴大，計算機網絡近年來獲得了越來越廣泛的應用。據中國互聯網信息中心2010年公布的《第26次中國互聯網絡發展狀況統計報告》中所述：截止2010年6月，我國網民數已達4.2億，網站數達279萬［１］。互聯網作為一種新的信息傳播媒介，以其發布免費、傳播快速的特點，已成為各行業發布信息的主要方式之一。高校網站作為高校信息發布的重要平臺，發揮著傳播學校信息、推廣科研成果、促進教學資源共享等功能。因為網站性能的優劣，直接關系信息傳達效率、學校影響力的擴大，所以研究高校網站性能、探索網站影響力的主要因素具有十分重要的現實意義。

根據網絡信息計量學理論的劃分，網站性能指標包括二大類：其一是網站鏈接指標；其二是流量指標，其中鏈接指標包括網站總網頁數、入鏈數、出鏈數等，流量指標則包括網站流量排名、網站訪問量、人均訪問量等［２］。為了評價高校網站的性能，已有研究主要是集中于分析大學綜合實力排名與網站性能指標間的相關性［３－５］，普遍采用的數學分析工具是統計學理論。應用統計學理論進行數據的前提是目標數據必須滿足一定的條件，比如必須滿足正態分布，并且所研究數據必須是數值類型，不能是其它類型的數據格式，并且在進行數據推理時，還必須要以先驗知識作為基礎［６］。正因為運用統計學進行數據分析存在諸多的前提條件，影響了該理論的應用范圍。為了克服上述問題，本文應用粗糙集理論進行數據分析，探討大學網站流量世界排名與網站性能指標間的相關性。粗糙集理論是一種新型數據處理理論，其最大特點是進行數據推理時無需先驗知識，并具有自動約簡屬性的功能，所以該理論自誕生以來，已廣泛應用于人工智能領域，在數據庫知識挖掘、網絡信息提取等方面得到了廣泛的應用，應用領域涉及計算機、經濟、金融等。

網站性能研究屬于網絡信息計量理論的主要內容之一，粗糙集理論與網絡信息計量理論的結合研究至今未見有研究成果報導，本文擬將兩者進行結合研究，探討影響網站流量排名與網站性能指標之間的關系，實現網站信息的自動知識發現。

１ 粗糙集理論

知識發現過程即是從數據中尋找出有用信息的過程，知識發現所采用的傳統工具主要是應用統計學理論，但應用統計學方法進行數據處理時存在著許多不足，比如它所處理的數據必須符合一定的分布規律，并需要事先進行假設，這就使其應用范圍受到了限制。隨著數據復雜性的增加，傳統的數據處理方法已不能適應經濟發展的需要，為了更有效地處理復雜的經濟、金融、網絡數據，越來越多的新型數據處理理論應用到數據挖掘，粗糙集理論就是其中一種，該理論的最大特點是進行數據推理時，無須先驗知識，只需依靠原始數據就可進行數據挖掘。該理論是由波蘭科學家Z.Pawlk于1982年提出，粗糙集相對其它數據處理工具而言具有以下優點(Z.Pawlk，1982)：

(1)數據處理具有智能化，能從數據中自動提取隱含其中的有用信息，實現知識發現；

(2)數據處理具有廣泛性，能處理多種格式的數據類型，比如連續型數據類型、離散型數據類型等不同結構的數據格式，并且不需要進行數據檢驗及相關假設；

(3)具備決策規則的自動處理功能，能自動去除條件屬性、決策屬性中的冗余成分；

(4)具有良好的人機對話功能，能產生易于理解的處理結果。

粗糙集理論的主要理論基礎是將不完備數據經過集合分類的方式，將數據進行有效分類，其數學基礎為不可分辨關系，不可分辨關系是指在數據分類中，有些元素的劃分是不明確的，存在著模糊性。有關粗糙集的基本概念綜述如下：

２０１０年１１月第３０卷第１１期基于粗糙集理論的高校網站信息知識發現Ｎｏｖ.，２０１０Ｖｏｌ.３０ Ｎｏ.１１１.１ 信息表

粗糙集理論是把考察對象看作是信息，信息的組合構成信息表，信息表可表示為集合S，S=（U，Q，V，f），其中U為有限目標集，Q為有限屬性集，V為屬性的鄰域，f表示函數關系。信息表中的Q還可認為是子集C和子集D的并集，而C、D分別稱為條件屬性和決策屬性，并且子集C和D的交集為零（程玉勝，2005）。

１.２ 基本概念

上、下近似集：粗糙集理論與其它軟計算理論的根本區別在于粗糙集理論提出了上、下近似集的概念。不確定數據的一個顯著特征是部分數據不能確切地劃分于特定種類，存在著模糊性，對于以往的處理方法，即是像模糊數學一樣引入隸屬函數的方法，通過隸屬函數將模糊數據進行分析，但隸屬函數的定義需要人為設定，并不能由數據自動生成，而粗糙集的一大特點則是實現了完全基于數據的自動分類功能(Goh，C．，2003)，其理論創新之處則是引入上、下近似集的概念，其定義為（曾黃麟，1996，Z.Pawlak，2003）：假設集合X為研究對象，集合X的下近似集定義為：Ｒ－＝Ｕ｛Ｒ（Ｘ）：Ｒ（Ｘ）Ｘ｝，集合X的上近似集為：Ｒ－＝Ｕ｛Ｒ（Ｘ）：Ｒ（Ｘ）∩Ｘ≠｝，集合X的邊界集為：ＲＮＲ（Ｘ）＝Ｒ－（Ｘ）－Ｒ－（Ｘ），其中上近似集表示集合元素中一定歸納入集合X的元素，而下近似集則是表示一定能或可能歸入集合X的元素，邊界集元素表示既不能確定歸納入集合X、與不能確定可歸納入非X集合的元素。

核與約簡：如果把條件屬性與決策屬性看作一個關系R，則R中所有不可約去的關系稱為核，而可以約去的關系則可看作為冗余關系。具體的使用方法是在決策表中進行屬性約簡，約簡可分為屬性約簡（即去除部分屬性）和屬性值約簡（去除不重要的屬性值）（Z.Pawlak，1991，劉清，2001），而這些約簡不影響條件屬性與決策屬性間的推理關系。

１.３ 評價指標

為檢驗粗糙集分類結果的正確性及有效性，粗糙集理論提出了相應的評價指標，評價指標主要有可信度、覆蓋率、支持度(黃沛，2002)：可信度（即Accuracy）＝Ｒ－／Ｒ－，其值越趨于1，則準確性越高，說明由條件屬性C推導出決策屬性D的可能性越大。覆蓋率(即Coverage)表示該規則的支持數在相應的決策類中的比重，支持數(即Support)則是表示在論域中支持該規則的元素的個數。支持度（即support），所有具有條件屬性C和決策屬性D的規則總數稱為規則的支持度。

２ 構建大學網站性能評價指標體系

研究網站性能的學科為網絡信息計量學，網絡信息計量學是隨著互聯網的發展而誕生的一門新興學科，其產生于1997年，提出該理論的科學家名為T.C.Almind。該理論一經產生，便在圖書館學、情報學等領域得到了廣泛的應用，現在國外主要是將之應用于高校網站的評價、商業網站的性能比較、網絡搜索引擎優化、網站資源優化等領域。國內研究主要集中于高校網站評價，研究對象集中于學術機構網站，研究手段主要是使用統計學理論。為了研究網站的性能，實現網站信息的自動提取，首先要構建評價指標體系，根據文獻［２］和［７］的介紹，本文擬構建網站性能指標體系，該指標體系包括總網頁數、總鏈接數、外部鏈接數、內部鏈接數、用戶量、頁面訪問量、人均頁面訪問量、網站流量世界排名。

根據粗糙集理論應用的要求，必須要事先確定條件屬性和決策屬性指標，定義條件屬性為總網頁數、總鏈接數、外部鏈接數、內部鏈接數、用戶量、頁面訪問量、人均頁面訪問量，決策屬性為網站流量世界排名。

３ 數據采集及處理

３.１ 數據采集

本文所研究對象為廣西的17所本科高等院校網站，名稱及網址分別為：廣西大學(www.gxu.edu.cn)、廣西師范大學(www.gxnu.edu.cn)、廣西民族大學(www.gxun.edu.cn)、桂林電子工業大學(www.gliet.edu.cn)、廣西醫科大學(www.gxmu.edu.cn)、廣西師范學院(www.gxtc.edu.cn)、桂林理工大學(www.glite.edu.cn)、廣西工學院(www.gxut.edu.cn)、廣西中醫學院(www.gxtcmu.edu.cn)、桂林醫學院(www.glmc.edu.cn)、玉林師范學院(www.ylu.edu.cn)、右江民族醫學院(www.ymcn.gx.cn)、梧州學院(www.gxuwz.edu.cn)、百色學院(www.bsuc.cn)、河池學院(www.hcnu.edu.cn)、欽州學院(www.qzu.net.cn)和賀州學院(www.hzu.gx.cn)，使用數據網站鏈接數據和網站流量數據。提取的鏈接數據分別為：總網頁數、總鏈接數、外部鏈接數、內部鏈接數，流量數據為用戶量、頁面訪問量、人均頁面訪問量和網站流量世界排名。

鏈接指標數值的提取采用網絡搜索引擎Altavisa，運用Altavisa進行數據采集，檢索式參考孫建軍(2009)的介紹，檢索式（以網址www.gxnu.edu.cn為例）為：網頁總數(檢索式為：Site:www.gxnu.edu.cn)，總鏈接數(檢索式為：Link:www.gxnu.edu.cn)，外部鏈接數(檢索式為：Link:www.gxnu.edu.cn-domain:www.gxnu.edu.cn)，內部鏈接數(檢索式為：Link:www.gxnu.edu.cn(+)domain:www.gxnu.edu.cn)。

流量數據使用Alexa軟件采集，采集的數據包括用戶量、頁面訪問量、人均頁面訪問量和網站流量世界排名。相對鏈接數據的采集而言，流量數據的采集要簡單一些，使用的方法是首先下載Alexa軟件，然后進行安裝。安裝完畢并運行后即可使用，具體的使用方法是在Alexa的輸入窗口中輸入相應網站的網址，確定后即可得到相應網站的流量指標值。

３.２ 數據預處理

３.２.１ 數據標準化

根據采用搜索軟件Altavisa采集到的鏈接數據和采用軟件Alexa采集到的流量數據，因各指標的計量單位不同，各指標的數值范圍相關很大，比如，網站流量世界排名，該指標的數值范圍為［117622，4260941］，而頁面訪問量的量綱為百分比，其數值范圍為［0.00000024，0.000014］，根據粗糙集應用的要求，各條件變量與決策變量都必須為離散值，所以，為統一各變量量綱，將各變量數值先進行標準化處理，標準化公式如下式所示：

ｙｉ＝ｘｉ－ｘｍｉｎｘｍａｘ－ｘｍｉｎ

其中ｘｉ表示任一變量值，ｘｍｉｎ為任一變量的最小值，ｘｍａｘ為最大值，ｙｉ為標準化值，ｙｉ＝［０，１］。

變量值經過標準化處理后，所有變量值就轉化為最小值為0、最大值為1的連續數據值。

３.２.２ 數據離散化

根據粗糙集理論的要求，必須將處理數據轉化為離散值，而數值的離散化處理類似于數字信息處理中的編碼處理，在實際應用中，通常有多種離散化方法，本文使用粗糙集處理軟件Rosetta進行離散化處理，軟件Rosetta提供了多種離散化算法，本文采用等頻率劃分算法進行離散化，每一變量值的劃分區間為3個，分別以1、2和3表示，各變量的劃分數據區間如表１所示：

表１ 變量離散化數值劃分表

變量名稱變量屬性變量符號離散值對應數值區間總網頁數條件屬性a1［0.28992，） 2［0.09193，0.28992）3［，0.09193）總鏈接數條件屬性b1［0.25422，）2［0.08777，0.25422）3［，0.08777） 續表１

變量名稱變量屬性變量符號離散值對應數值區間外部鏈接數條件屬性c1［0.28643，）2［0.05165，0.28643）3［，0.05165）內部鏈接數條件屬性d1［0.33286，）2［0.01972，0.33286）3［，0.01972）用戶量條件屬性e1［0.48038，）2［0.06613，0.48038）3［，0.06613）頁面訪問量條件屬性f1［0.48276，）2［0.05173，0.48276）3［，0.05173）人均頁面訪問量條件屬性g1［0.33334，）2［0.10417，0.33334）3［，0.10417）網站流量世界排名決策屬性H1［，0.03586）2［0.03586，0.36199）3［0.36199，）

對于條件屬性，表１中的1、2、3分別表示數值較大，中等，較小，決策屬性中的1、2、3分別表示網站流量世界排名靠前、中等、靠后。

３.３ 支持度計算

根據３.２步驟的計算，就可以將原始數據化簡為離散數值為1、2或3的決策表，該決策表為17行8列，其中每行表示17所高校的相應離散指標值，1～7列分別表示指標：總網頁數、總鏈接數、外部鏈接數、內部鏈接數、用戶量、頁面訪問量、人均頁面訪問量，該7列指標為決策表的條件屬性，而第8列為網站流量世界排名指標值，該值為決策屬性。

為了檢驗所選網站評價指標的正確性，在進行屬性約簡、規則約簡之前須進行條件屬性與決策屬性之間的可信度檢驗。檢驗方法是應用粗糙集處理軟件進行可信度計算。將離散化后的數據輸入軟件后，經計算得出條件屬性與決策屬性之間的可信度為1。可信度為1，即說明條件屬性C對決策屬性D的支持度是1，支持度為1說明決策表中7個條件屬性能夠正確反映決策屬性的狀況，從而說明指標選取的正確性。

３.４ 屬性約簡

粗糙集理論的優點之一就是能夠自動去除決策表中的冗余屬性。常用的屬性約簡算法有遺傳算法約簡和Johnsons算法約簡，本文采用Johnsons算法，得到表２所示的約簡結果：表２ 屬性約簡表

Reductsupportlengthb，d，e1003數據來源：經過粗糙集處理軟件Rosetta計算后的結果屬性約簡結果從初始狀態的7個條件變量化簡為3個：b，d，e，根據表１的對應關系，決策表中的核心變量為總鏈接數、內部鏈接數、用戶量，說明此3個變量能夠很好解釋決策屬性網站流量世界排名，即是說該3個條件屬性決定了網站流量排名的前后。

３.５ 規則提取

實現條件屬性的約簡后即可進行規則的提取。經計算后得出的規則如表３所示：

表３ 決策規則表

決策規則支持度可信度左覆蓋率右覆蓋率b(1) AND d(3) AND e(1) => h(1)110.0588240.166667b(1) AND d(1) AND e(1) => h(1)110.0588240.166667b(1) AND d(2) AND e(1) => h(1)210.1176470.333333b(2) AND d(3) AND e(1) => h(1)110.0588240.166667b(1) AND d(1) AND e(2) => h(1)110.0588240.166667 續表３

決策規則支持度可信度左覆蓋率右覆蓋率b(2) AND d(3) AND e(2) => h(2)310.1764710.5b(2) AND d(1) AND e(2) => h(2)110.0588240.166667b(3) AND d(1) AND e(2) => h(2)110.0588240.166667b(3) AND d(3) AND e(3) => h(2)110.0588240.166667b(2) AND d(2) AND e(3) => h(3)110.0588240.2b(3) AND d(2) AND e(3) => h(3)310.1764710.6b(3) AND d(1) AND e(3) => h(3)110.0588240.2數據來源：經過粗糙集處理軟件Rosetta計算后的結果經過Rosetta計算，最后得出決策表如表３所示，從表３中可看出總規則數從原始表的17條規劃約簡為12條，表３中顯示了每條規則的支持度、可信度、左右覆蓋率。以第一條件規則為例說明其含義，第一條規則為：b(1) AND d(3) AND e(1) => H(1)，支持度、可信度、左覆蓋率、右覆蓋率分別為1、1、0.058824和0.166667，當條件屬性b值為1、條件屬性d值為3、條件屬性e值為1時，可以推導出決策屬性H值為1，與表1對應分析，可理解為：當總鏈接數的標準化數據范圍為［0.25422，）、內部鏈接數數值范圍為［，0.01972）、用戶量數值范圍為［0.48038，），則該網站流量世界排名范圍［，0.03586），表示排名靠前，該條規則的支持度、可信度均為1，證明該規則可靠性高。依此類推，可以解釋其它規則的含義。

４ 結論分析

經過粗糙集理論的實證推導，屬性約簡后得出影響網站排名的主要因素為總鏈接數、內部鏈接數和用戶量3個指標，決策約簡后得到12條有效規則，下面就此有關結論進行進一步解釋。

４.１ 評價指標的理論正確性檢驗

指標體系含有7個條件屬性C指標和1個決策屬性D指標，為證明條件屬性與決策屬性在理論上存在相關關系，在數據處理上首先進行了可信度計算，經計算可信度為1（或100%），即是說明由條件屬性C推導出決策屬性D的可信度高，證明指標體系能較好地說明二個屬性間的相關關系。這也為下一步的粗糙集應用提供了理論基礎。

４.２ 3個主要影響指標及決策指標的說明

經過約簡得出的核心指標為總鏈接數、內部鏈接數和用戶量，其中二個為鏈接指標，一個為流量指標。總鏈接數即是指網站間的鏈接數，也稱超級鏈接數，總鏈接數包含了入鏈數和出鏈數，總鏈接數越多，說明網站間的聯系越緊密，鏈接具有雙向特征，產生鏈接的網站間可以產生互鏈關系。內部鏈接是網頁的導出鏈接，內部鏈接對于網站而言是一個關鍵指標，因為具有良好的內部鏈接是提高網站流量排名的前提之一，這一結論已為實踐所證實，所以說，本文研究得出的關鍵影響因素中包括內部鏈接指標是正確的。至于流量指標：用戶量，根據Alexa軟件的介紹：Alexa搜索出來的用戶量指特定時間內用戶的數量，其是以百分比形式出現，單位基數為百萬人，而流量排名即是指特定時間內對用戶量與頁面訪問量的綜合評價，該指標一般是以3個月為單位進行流量的比較，并得出當前時間網站的國內排名或國際排名。本文的研究結論，以流量世界排名作為決策屬性得出其主要影響因素是總鏈接數、內部鏈接數和用戶量，根據相關指標的內涵分析及對照已有研究成果的比較，說明結論是可信的。

４.３ 決策規則的實踐指導意義

經過上述研究分析表明，經過粗糙集理論的應用，不僅實現了條件屬性的約簡，而且實現了決策規劃的約簡，并實現對每一條規則的評價。在每一決策規則中，決策屬性值為1，2，3三個結論，其分別表示網站排名是排名位于前列，或是中等，或是排名落后。經過觀察可以發現，在決策規則表中的前5條規則，決策屬性均是排名靠前，即相對而言，排名是位于前列，而對應的條件屬性，用戶量均為1，即表示相應的用戶量較大，而條件屬性b，d則有多種組合形式，這說明了只要網站用戶量大，不管其總鏈接數、內部鏈接數的高低，網站的排名均是靠前的。該結論為網站的框架設計、內部優化提供了參考，為提高網站流量排名，則必須要千方百計提高用戶量。決策規則表中的第6至第9條件規則，決策屬性為排名為中等，第10至第12條規則決策規則為排名靠后，3個決策屬性均與用戶量指標密切相關，而不管前面的二個屬性值如何變化，研究結果充分說明了用戶量指標對于流量排名的重要性，這個結論間接也說明了網站內容的重要性，網站內容越豐富、內容更新周期越短，則越能吸引用戶瀏覽，從而提高網站的用戶量，提高網站的流量，提升流量排名，雖然網站的構建結構、站點優化等方式都很重要，但從定量計算結果來看，網站用戶量仍是首要影響指標。

５ 結束語

本文以網站信息作為研究對象，以粗糙集理論作為理論基礎，以Rosetta軟件作為數據處理工具，得出影響網站世界排名的主要影響因素，并且自動提取了12條有效規則，實現了網站世界排名的智能決策規則。

因本文是首次將粗糙集理論應用于網站排名的規則提取研究，還存在著許多局限，有待今后繼續研究，主要集中在以下幾個方面：第一，因高校網站內容為一動態系統，網站內容時刻均在變動，因此所采集的數據具有動態性，并不能十分準確地表達每一網站的當前所有屬性，所采集的數據只能是一種近似；此外，運用Alavisa軟件進行網站的鏈接數據采集，因為搜索引擎Alavisa軟件本身設計原理的限制，它不能實現對所有網站的所有鏈接實現搜索，這也影響了數據的完整性，同樣的原因，采集流量數據的Alexa軟件也存在著同樣的問題。因此，為更準確、更客觀地評價影響網站排名的影響因素，深一步進行數據采集工具的研究十分必要。第二，進一步完善構建影響網站排名指標體系。本文所構建的指標體系，只是一種初步的探索，指標體系還不是十分完善，因為互聯網是一個龐大的復雜巨系統，影響排名的因素非常多，眾多的影響因素中，是否還有哪些因素會對排名有影響，這些問題都還有待今后的深入研究。

盡管本文的研究因理論的限制存在著一些有待深入研究的內容，但是通過本文的研究，得出了影響網站排名的關鍵因素，并實現了定量分析，研究結果可為高校網站建設提供有益的參考。

參考文獻

［１］中國互聯網信息中心.第26次中國互聯網絡發展狀況統計報告［ＥＢ］.http:∥research.cnnic.cn/html/1279173730d23501.html

［２］孫建軍，李江.網絡信息計量理論、工具與應用［Ｍ］.北京：科學出版社，2009．

［３］邱均平，陳敬全，段宇鋒.中國大學網站鏈接分析及網絡影響因子探討［Ｊ］.中國軟科學，2003，（6）：151-155.

［４］謝奇，張晗.中國大學網站的網絡計量學研究［Ｊ］.現代圖書情報技術，2005，（7）：74-77．

［５］朱自強.網絡信息計量學理論與方法：大學網站網絡流量及頁面鏈接分析研究［Ｄ］.南京：南京理工大學碩士學位論文，2005.

［６］Goh，C.，Law，R.Incorporating the rough set travel demand analysis［Ｊ］.Tourism Management，2003，(24)：511-517.

［７］Thelwall M.Link analysis:an information science approach.New York:Elsevier，2004.

［８］黃沛，李劍.基于粗糙集的保險風險規則挖掘模型［Ｊ］.系統工程，2002，20（5）：34-39.

［９］（英）邁克·塞沃爾．鏈接分析：信息科學的研究方法［Ｍ］．孫建軍，李江，張煦，等譯．南京：東南大學出版社，2009.

［１０］Pawlak，Zdzisaw.Rough sets.International Journal of Parallel Programming，1982，11(5):341－356.doi:10.1007/BF01001956.