Web Kullanıcılarının Bilgi Erişim ve Ziyaret Desenlerinin Web Madenciliği ile Keşfi: Kırklareli Üniversitesi Örneği

Abstract

Web siteleri, kurumsal ya da bireysel açıdan hitap edilen kitleyle ilk temasın sağlandığı bir etkileşim aracıdır. Bu araç, yoğun bir bilgi erişim ve ziyaret trafiğinin bulunduğu süreçlerde, kullanıcı davranışlarındaki farklı desenlerin tespit edilebileceği önemli bir potansiyeli içinde barındırmaktadır. Bu desenler, kullanıcı ihtiyaçlarının daha belirginleştirilmesi ve site geliştiricilerinin bu ihtiyaçlar doğrultusunda güncellemeler yapabilmesi açısından oldukça kritik görevler üstlenebilir. Bu çalışmanın amacı, dünya genelinde yaşanan Covid-19 pandemisinin ülkemizde etkinliğini arttırdığı süreçte, Kırklareli Üniversitesi web sitelerindeki kullanıcıların bilgi erişim ihtiyaçlarındaki değişimin belirlenmesidir. Bu amaç doğrultusunda, kullanıcıların bilgi erişim ve ziyaret davranışları, apriori algoritmasıyla bağımsız ve birlikte olacak şekilde incelenerek, aralarındaki ilişkilerin ortaya çıkarılması hedeflenmiştir. Bilgi erişim kavramı açısından çalışma sonuçları, kullanıcıların “tez yazımı”na yönelik çeşitli arama terimleriyle bilgi ihtiyaçlarını karşılamaya çalıştıklarını göstermiştir. Bu sonuç, özellikle lisansüstü öğrencilerin ilgili süreçte aktif olduklarına işaret etmektedir. Ziyaret davranışları açısından, “uzaktan eğitim”, “koronavirüs” ve “tatil” temalı sayfaların ağırlıklı olarak ziyaret edildiği ortaya çıkmıştır. Bilgi erişim davranışları sonrasında sergilenen ziyaret davranışları açısındansa, “tez yazımı”, “tatil” ve “eğitim öğretimin ertelenmesi” temalı ziyaretlerin birliktelikleri göze çarpmıştır. Çalışma sonucunda ortaya çıkarılmış olan davranış desenleri ve bu desenlerden nasıl faydalanılabileceğine yönelik öneriler çalışma kapsamında detaylı bir şekilde açıklanmıştır.

Keywords

• Bilgi Erişim
• Apriori
• Birliktelik Kuralları
• Web Kullanım Madenciliği

Discovering Web Users' Information Retrieval and Visit Patterns with Web Mining: Kırklareli University Sample

Abstract

Websites are an interaction tool in which the first contact is made with target users, institutionally, or individually. This tool has an important potential in which different patterns of user behaviors are able to be detected in the process of excessive information retrieval and visit traffic. These patterns might play an important role, in terms of making the user needs more clear and to enable site developers to make updates in line with these needs. The purpose of this study is to determine the differentiation of users' information retrieval needs on the websites of Kırklareli University, in the period of the Covid-19 pandemic that experienced worldwide increases its effectiveness in our country. In the direction of this purpose, it is aimed to reveal the relationships between the information retrieval behavior of the users and the visiting behavior of them by analyzing them with the apriori algorithm, both independently and together. In terms of the concept of information retrieval, the results have shown that the users tried to meet their information needs with various searching terms for "thesis writing". This result indicates that the postgraduate students were active in the related period. In terms of the visiting behavior, it has been revealed that the pages with the theme of "distance education", "coronavirus" and "holiday" were mostly visited ones. In terms of the visiting behaviors shown after the information retrieval behaviors, the coexistence of the visits with the theme of “thesis writing”, “holiday” and “postponing the education” has been observed. The behavior patterns which have been revealed as a result of the study and the suggestions about how to use these patterns are explained in detail within the scope of the study.

Keywords

• Information Retrieval
• Apriori
• Association Rules
• Web Usage Mining

References

1. Aggarwal, C. C. (2015). Data Mining: The Textbook (2015 edition). Springer.
2. Agrawal, R., Imieliński, T., ve Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD international conference on Management of data, 207–216. https://doi.org/10.1145/170035.170072
3. Agrawal, R., ve Srikant, R. (1994). Fast Algorithms for Mining Association Rules in Large Databases. Proceedings of the 20th International Conference on Very Large Data Bases, 487–499.
4. Baeza-Yates, R., ve Ribeiro-Neto, B. (2011). Modern Information Retrieval: The concepts and technology behind search, 2. Baskı. Addison-Wesley Publishing Company.
5. Bilgiç, E. (2019). R Programlama Dili İle Pazar Sepet Analizi: Muş İl Merkezindeki Bir Süpermarkette Tüketicilerin Satın Alma Davranışlarının Tespiti Üzerine Bir Uygulama. Anemon Muş Alparslan Üniversitesi Sosyal Bilimler Dergisi, 7(3), 89-97. https://doi.org/10.18506/anemon.462998
6. Britannica, E. (2007). Britannica Concise Encyclopedia. Encyclopedia Britannica, Inc.
7. Budak, V. Ö., Kartal, E., ve Gülseçen, S. (2018). Site-içi Aramalar ve Apriori Algoritması Kullanılarak Web Sitesi Ziyaretçilerinin İhtiyaç Tespitine Yönelik Bir Örnek Olay İncelemesi. Bilişim Teknolojileri Dergisi, 11(2), 211-222. https://doi.org/10.17671/gazibtd.397142
8. Chakrabarti, S. (2002). Mining the Web: Discovering Knowledge from Hypertext Data (1 edition). Morgan Kaufmann.

9. Chauhan, A., ve Tarar, S. (2016). Prediction of User Browsing Behavior Using Web Log Data. International Journal of Scientific Research in Science, Engineering and Technology, 2(1), 419-422. https://doi.org/10.32628/IJSRSET1621108
10. Cios, K. J., Pedrycz, W., Swiniarski, R. W., ve Kurgan, L. A. (2007). Data Mining: A Knowledge Discovery Approach (2007 edition). Springer.
11. Çelik, S. (2017). Web Günlük Dosyalarının Analizi için Web Kullanım Madenciliğinin Uygulanması. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 46(1), 62-75.
12. Çınar, I., ve Bilge, H. Ş. (2016). Web Madenciliği Yöntemleri ile Web Loglarının İstatistiksel Analizi ve Saldırı Tespiti. Bilişim Teknolojileri Dergisi, 9(2), 125-0.
13. Fayyad, U., Piatetsky-Shapiro, G., ve Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 37-37. https://doi.org/10.1609/aimag.v17i3.1230
14. Gezer, M., Erol, Ç., ve Gulsecen, S. (2007, Ocak 1). Bir Web Sayfasının Veri Madenciliği İle Analizi. Akademik Bilişim, Kütahya. https://doi.org/10.13140/2.1.5004.7687
15. Grace, J., V.Maheswari, ve Dhinaharan, N. (2011). Analysis of Web Logs And Web User In Web Mining. International Journal of Network Security & Its Applications, 3. https://doi.org/10.5121/ijnsa.2011.3107
16. Han, J., Kamber, M., ve Pei, J. (2011). Data Mining: Concepts and Techniques (3 edition). Morgan Kaufmann.
17. Ilampiray, P. (2012). Efficient resource utilization of web using data clustering and association rule mining. Journal of Theoretical and Applied Information Technology, 37(2), 211-216. Scopus.
18. Kindie, A., Mamuye, A., ve Tilahun, B. (2018). Web usage characterization for system performance improvement. Lecture Notes of the Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering, LNICST, 244, 238-245. Scopus. https://doi.org/10.1007/978-3-319-95153-9_23
19. Kotiyal, B., Kumar, A., Pant, B., Goudar, R. H., Chauhan, S., ve Junee, S. (2013). User behavior analysis in web log through comparative study of Eclat and Apriori. 2013 7th International Conference on Intelligent Systems and Control (ISCO), 421-426. https://doi.org/10.1109/ISCO.2013.6481192
20. Liu, B. (2011). Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data, 2. Baskı. Springer-Verlag. https://doi.org/10.1007/978-3-642-19460-3
21. Markov, Z., ve Larose, D. T. (2007). Data Mining the Web: Uncovering Patterns in Web Content, Structure, and Usage (1 edition). Wiley-Interscience.
22. Apyori (2020). apyori: Simple Apriori algorithm Implementation. (1.1.2). Ziyaret Tarihi: 13 Haziran 2020, Adres: https://github.com/ymoch/apyori
23. Özkan, Y. (2013). Veri madenciliği yöntemleri, 2. Baskı. Papatya Yayıncılık.
24. Pandas (2020). pandas: Powerful data structures for data analysis, time series, and statistics (1.0.4). Erişim Tarihi: 13 Haziran 2020, Adres: https://pandas.pydata.org
25. Sağın, A. N., ve Ayvaz, B. (2018). Determination of Association Rules with Market Basket Analysis: Application in the Retail Sector. Southeast Europe Journal of Soft Computing, 7(1), Article 1. https://doi.org/10.21533/scjournal.v7i1.149
26. Sathya, M., ve Devi, P. I. (2018). Apriori algorithm on web logs for mining frequent link. 2018-February, 1-5. Scopus. https://doi.org/10.1109/ITCOSP.2017.8303127
27. Şimşek Gürsoy, U. T., Akçay Kasapoğlu, Ö., ve Atalay, K. (2019). R Programlama İle Birliktelik Kuralları Analizi: Tüketicilerin İnternet Üzerinden Yaptıkları Alışveriş Verisinin Apriori ve Eclat Algoritmalarıyla İncelenmesi. Alphanumeric Journal, 7(2), 357-368. http://dx.doi.org/10.17093/alphanumeric.585663
28. TDK (2020). Türk Dil Kurumu | Sözlük. Erişim Tarihi: 10 Haziran 2020, Adres: https://sozluk.gov.tr/