博碩士論文 87325010 詳細資訊




以作者查詢圖書館館藏 以作者查詢臺灣博碩士 以作者查詢全國書目 勘誤回報 、線上人數:14 、訪客IP:3.226.243.226
姓名 郭俐蘭(Li-Lian Guo)  查詢紙本館藏   畢業系所 資訊工程學系
論文名稱 支援使用者觀點之線上分析系統
相關論文
★ 學習馬賽克-以教科書內容置入平板之合作式情境學習遊樂場★ 為使用知識而設計的電子書- 以參考手冊為模式的電子書設計
★ 為使用知識而設計的電子書- 將紙本書籍以及電子書提供社群共建的機制★ 高互動低資源損耗之課堂學習系統設計與實際教學環境導入接受度探討
★ 依學生偏好及學習狀態建構之學習輔助者與知識協尋系統★ 網路資訊與學習系統之中文全文探勘工具
★ 由網站行為歷程以貝式學習建立學習者模式之引導系統★ 網路合作學習系統與小組互動觀察工具
★ 依作品集評量方式並支援學習狀況分析與監控之網路學習系統★ 網路學習歷程之知識探索:學習效能評鑑之工具
★ 網路學習系統之手機端學習輔助系統★ 以網站行為的歷程建立具時間性學習者模式
★ 行動學習資訊系統-學生端網路學習伺服器與個人數位助理端之學習系統★ 應用貝式學習及決策樹之群組溝通網路監控系統
★ 以網路群組作品及活動依角色分析之群組合作監控系統★ 依據群體模組監控之網路群體學習系統
檔案 [Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   [檢視]  [下載]
  1. 本電子論文使用權限為同意立即開放。
  2. 已達開放權限電子全文僅授權使用者為學術研究之目的,進行個人非營利性質之檢索、閱讀、列印。
  3. 請遵守中華民國著作權法之相關規定,切勿任意重製、散佈、改作、轉貼、播送,以免觸法。

摘要(中) 系統Log登錄了使用者操作系統的紀錄,藉由分析Log資料,可以得到許多寶貴的資訊,包括系統的使用效能、使用者的使用習性、和興趣等,這些資訊提供給系統設計者可以提供改進系統的資訊,提供給系統的擁有者,可以幫助了解系統使用者,進而制定適宜的對策來增進互動。
許多分析Log紀錄的系統或技術都是建基於資料的觀點,而事實上進行資料分析的使用者才是真正決定分析資料為何的人,由資料觀點來擷取資訊,如果系統內沒有使用者需要的資料內容,往往使用者需要對資料進行再行整理與運算,這無疑增加了使用者負擔。
所以我們設計了一套線上分析系統,以支援使用者觀點的方式來分析資料。首先,利用切割處理,讓使用者根據分析需求定義出各種資料特徵,賦予資料較直覺且易理解的意義。這個部分,我們提供各種切割函式,讓使用者依據切割方法將資料特徵模組化,借以提升資料特徵意義的可信度。再來,透過取代處理,建構資料特徵空間,以獲得特徵相關資料。另外,系統還提供布林運算,讓使用者可以以多重條件定義資料特徵,或是建構資料特徵空間。藉由訂定資料特徵的方式,讓使用者可以結合自己的觀點到Cube的資料中,直接獲取所需資料。
有了這些資料後,再來就是對資料進行分析的處理,分析的結果則是包含這些資料特徵意義。分析的方法除了資料探勘技術外,我們還考慮使用統計的方法,因為統計在資料驗證方面的能力十分受肯定,藉由統計的方法對資料進行考驗分析,以增加分析結果的可信度。
摘要(英) System log data includes the records of system users’ operation. By means of analyzing log data, we can get much valuable information about system efficiency, users’ habitual behaviors and interests, etc. This information is useful to realize system users more, even to help set up proper strategies.
Many systems and technologies of analyzing log records are based on viewpoint of data. However, who needs to analyze data is who should decide the content of data for analysis. Analyzing log records based on viewpoint of data, if the data users required doesn’t exist in systems, usually increases users’ loads by data rearrangement and recalculation.
Hence we design an on-line analytical processing system based on viewpoints of system users to analyze data. First, by operating the split process, users can define various kinds of data features to give more sensible meanings for cube data. In this part, we offer several split functions. Users can model data features by these functions and increase credibility of data feature definitions. And then operating replacing process, users are able to construct feature space to obtain feature-related data. Moreover, the system provides Boolean operation for users. So users can consider multiple conditions to define features or construct feature space. Through data features, users combine their viewpoints with cube data and get required data directly.
After gaining data, we want to do some analysis. The analytical results will contain these feature definitions. Besides data mining technologies, we also adopt statistical methods for data analysis. People have affirmed the test ability of statistics. By using some statistics methods, users will put more trust in analytical results.
關鍵字(中) ★ 線上分析系統
★ 使用者觀點
關鍵字(英)
論文目次 第1章 緒論1
1.1 研究背景1
1.2 研究動機2
1.3 研究目標4
1.4 問題與對策4
1.5 系統架構5
1.6 論文架構7
第2章 相關研究8
2.1 相關文獻8
2.2 相關技術9
2.2.1 OLAP9
2.2.2 資料探勘11
2.2.3 統計12
2.3 相關工具13
2.3.1 SQL Server 7.0 OLAP Services13
2.3.2 DB2 Intelligent Miner14
2.3.3 DBMiner15
第3章 FEATURE-BASED OLAP功能說明16
3.1 以DATA CUBE取得LOG記錄17
3.1.1 將Log記錄存成MSOLAP Cube17
3.1.2 將MSOLAP Cube轉入系統18
3.2 賦予資料模組化的意義23
3.2.1 系統元件Feature23
3.2.2 切割處理25
3.3 整合使用者自訂意義到DATA CUBE28
3.3.1 系統元件Virtual Cube28
3.3.2 取代處理29
3.4 進行資料結合以擴充資料內容33
3.4.1 以布林運算結合資料33
第4章 FEATURE-BASED OLAP規格實作37
4.1 系統操作與使用者介面37
4.1.1 系統取得MSOLAP Cube37
4.1.2 查詢系統資料38
4.1.3 建立Feature40
4.1.4 建立Virtual Cube41
4.1.5 布林運算建構Feature42
4.1.6 布林運算建構Virtual Cube43
4.2 實作上的特點45
4.3 系統表格略圖46
4.4 程式流程摘要47
4.4.1 轉入MSOLAP Cube47
4.4.2 切割處理47
4.4.3 取代處理48
4.4.4 布林運算50
第5章 FEATURE-BASED ANALYSIS實例51
5.1 使用決策樹51
5.1.1 取得分類結果名單52
5.1.2 資料特徵分類53
5.2 使用變異數分析54
5.2.1 特徵因子的差異顯著性54
5.2.2 結合特徵因子以增進考驗範圍55
第6章 結論57
參考文獻59
參考文獻 [1]林清山:心理與教育統計學。台北:東華書局,民63
[2]Barry Devlin: Data Warehouse: from Architecture to Implementation. Massachusetts: Addison Wesley Longman, 1997
[3]Haleh Vafaie and Kenneth A. De Jong: Robust Feature Selection Algorithms. Proceedings of the International Conference on Tools with AI. IEEE Computer Society Press 1993: 356-364
[4]Haleh Vafaie and Kenneth A. De Jong: Genetic Algorithms as a Tool for Restructuring Feature Space Representations. Proceedings of the International Conference on Tools with AI. IEEE Computer Society Press, 1995
[5]IBM DB2 Intelligent Miner for Data. In http://www-4.ibm.com/software/data/iminer/fordata/
[6]J. Han: Conference Tutorial: Integration of Data Mining and Data Warehousing Technologies. (Microsoft PowerPoint slides), ICDE 1997
[7]J. Han: OLAP Mining: An Integration of OLAP with Data Mining. Proc. 1997 IFIP Conference on Data Semantics (DS-7) 1997: 1-11
[8]J. Han: DBMiner: Discovery the Competitive Edge in Your Data. In http://db.cs.sfu.ca/DBMiner/
[9]J. Ross Quinlan: Data Mining Tools See5 and C5.0. In http://www.rulequest.com/see5-info.html
[10]J. Ross Quinlan: Decision Trees and Instance-Based Classifiers. The Computer Science and Engineering Handbook 1997: 521-535
[11]Jim Gray, Surajit Chaudhuri, Adam Bosworth, Andrew Layman, Don Reichart, Murali Venkatrao, Frank Pellow, Hamid Pirahesh: Data Cube: A Relational Aggregation Operator Generalizing Group-by, Cross-Tab, and Sub Totals. Data Mining and Knowledge Discovery 1(1): 29-53 (1997)
[12]John F. Elder IV, Daryl Pregibon: A Statistical Perspective on Knowledge Discovery in Databases. Advances in Knowledge Discovery and Data Mining 1996: 83-113
[13]L. Tauscher and S. Greenberg. How people revisit web pages: Empirical findings and implications for the design of history systems. International Journal of Human Computer Studies, Special issue on World Wide Web Usability, 47: 97-138 (1997)
[14]M. S. Chen, J. Han, and P. S. Yu. Data mining: An overview from a database perspective. IEEE Trans. Knowledge and Data Engineering 8: 866-883 (1996)
[15]Michael Corey, Michael Abbey, Ian Abramson, Larry Barnes, Benjamin Taub, Rajan Venkitachalan: SQL SERVER7: Data Warehousing. New York: McGraw-Hill, 1999
[16]Michael J. A. Berry, Gordon Linoff: Data Mining Techniques: for Marketing, Sales, and Customer Support. New York: John Wiley & Sons, 1997
[17]Osmar R. Zaïane, Man Xin, Jiawei Han: Discovering Web Access Patterns and Trends by Applying OLAP and Data Mining Technology on Web Logs. ADL 1998: 19-29
[18]Rodney Fuller, Johannes J. de Graaff: Measuring User Motivation from Server Log Files. In http://www.microsoft.com/usability/webconf/fuller/fuller.htm (1997)
[19]SQL Server 7.0 OLAP Services Overview. In http://www.microsoft.com/SQL/productinfo/olapoverview.htm
[20]Sunita Sarawagi, Rakesh Agrawal, Nimrod Megiddo: Discovery-Driven Exploration of OLAP Data Cubes. EDBT 1998: 168-182
[21]Surajit Chaudhuri, Umeshwar Dayal: An Overview of Data Warehousing and OLAP Technology. SIGMOD Record 26(1): 65-74 (1997)
[22]T. Joachims, D. Freitag, T. Mitchell: WebWatcher: A Tour Guide for the World Wide Web, Proceedings of IJCAI97, August 1997
[23]T. Sullivan. Reading reader reaction: A proposal for inferential analysis of web server log files. In Proc. 3rd Conf. Human Factors & the Web, Denver, Colorado, June 1997
[24]U. M. Fqyyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy. Advances in Knowledge Discovery and Data Mining. AAAI/MIT Press, 1996
指導教授 陳國棟(Gwo-Dong Chen) 審核日期 2000-7-4
推文 facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu   
網路書籤 Google bookmarks   del.icio.us   hemidemi   myshare   

若有論文相關問題,請聯絡國立中央大學圖書館推廣服務組 TEL:(03)422-7151轉57407,或E-mail聯絡  - 隱私權政策聲明