Using contextual document clustering algorithm for clustering pages and users without using page content

Abstract

В данной работе рассматривается применение алгоритма контекстной документной кластеризации для кластеризации ссылок и пользователей, которые посетили эти ссылки. В отличие от классического применения алгоритма для документов, в которых слова имеют определенный смысл, в данной работе будут рассматриваться документы, словами в которых будут идентификационные номера пользователей или ссылки, а значит контент страниц использоваться не будет. Подход основан на поиске узких контекстов, которые являются основой для создания кластеров. Вычисляя расстояние Йенсена-Шеннона можно определить принадлежность документа к кластеру. Такого рода кластеризация может быть полезной в задачах информационного поиска, связанных с анализом и поиском данных, web-рекламой.

In this work we consider contextual document clustering algorithm used for clustering of links and users who visited this links. In contrast to the classical application of the algorithm for documents, which contain words with certain meaning, in this work we consider documents, which contain unique identification numbers of users or links as words. It means that we do not use content of pages. This approach is based on searching of narrow contexts, which are bases for clusters. Calculating Jensen-Shannon divergence we can determine the identity of document for cluster. This clustering can be useful in such tasks of information retrieval as search and analysis of data and web-advertising tasks.