大型网站的浏览行为分析挖掘网页相似关系、用户浏览的偏好以及相似行为聚类,应用于网站营销等电子商务活动。本文从语义、偏好和行为三个角度分别提取网页URL的语义、浏览偏好概率分布、浏览行为表示。采用图概率模型和神经网络模型对比远距离关系的表达能力和可训练性,构建多阶Markov模型和长短记忆深度神经网络模型。主要贡献总结如下:(1)URL语义表示学习:采用URL的分布语义建立神经概率符号模型,将URL映射到高维语义特征空间,通过特征向量的距离近似表达URL的相似语义,用于LSTM模型的输入向量表示和URL关系分析。(2)浏览偏好模式:分别采用多阶Markov图概率模型和LSTM神经网络模型学习浏览行为习惯,推断当前页面下的下页访问概率分布,表达不同环境下浏览行为偏好,用于个性化推荐、网页分布结构优化。(3)行为语义表示学习:将用户的浏览轨迹映射到高维语义特征空间,通过向量空间中的距离近似表达不同用户间的相似行为语义,用于网站的流量分析、浏览者聚类。(4)实验与可视化:在实际的电商网站数据进行实验,实现图模型和神经网络模型在当前环境下的页面访问概率分布计算,可视化页面结构和用户行为的匹配度。将URL和用户行为映射到高维语义特征空间,可视化不同类型页面之间的语义相关性分析页面结构的合理程度,从时空两个维度可视化分析网站的流量分布和用户群;对特定店铺进行可视化热点分析。