Web日志挖掘是从服务器端纪录的用户访问日志或从用户的浏览信息中抽取感兴趣的模式。利用Web日志挖掘,我们可以知道用户对网站的浏览模式,通过分析这些数据可以帮助理解用户的行为,从而改进站点的结构或为用户提供个性化的服务。本文采用聚类分析的方法对用户进行聚类,按照一个类别的用户具有相同兴趣的原则,为用户提供个性化服务。本文使用自组织神经网络和粗糙集进行聚类分析。自组织神经网络具有一定的拓扑结构,依靠多个神经元间的协同作用完成模式识别。自组织神经网络在学习过程中采取竞争机制,选取唯一神经元获胜,然后实际情况是可能有一组神经元都非常匹配输入向量。针对这一不精确性,本文引入了粗糙集的上近似与下近似的概念来解决这一问题。基于粗糙集的自组织神经网络很好的解决了判断获胜神经元的不确定性,首先选取唯一获胜神经元,然后选取次获胜神经元。如果次获胜神经元不为空,则将次获胜神经元与唯一获胜神经元的并集作为获胜神经元,并对不同情况采用不同的学习方法。经过训练的神经网络最终应用于模式识别阶段。传统的聚类方法只能将每个用户聚类至一个类别,即假设一个用户只有一种偏好,却忽略了用户有多种偏好的情况。本文提出的基于粗糙集的自组织神经网络能够解决这一问题,利用不精确的概念,将用户分至一个或一个以上类别,提取用户的多兴趣。本文最后将基于粗糙集的自组织神经网络日志挖掘方法与传统的方法进行测试比较。实验证明,该方法在学习阶段和应用阶段都有较好的结果。