假设我们有以下网络访问日志。

timestamp                  page_visted======================================2017-01-02 10:00:02         /xxx/a.html2017-01-02 10:00:06         /xxx/b.html2017-01-02 10:01:03         /xxx/c.html2017-01-02 10:02:02         /xxx/d.html2017-01-02 15:00:02         /xxx/a.html2017-01-02 15:01:10         /xxx/b.html2017-01-02 15:03:05         /xxx/c.html

用户访问了我们的网站2次，浏览了7个页面。我的问题是“如何最佳地知道他访问了我们网站多少次，而不是他浏览了多少个页面？”

因为用户可能每次访问浏览的页面数量和花费的时间不同，很难设定一个固定的数字或时间间隔来分组这些记录。是否有任何算法可以根据它们的访问时间戳来分组（聚类）这些记录？谢谢。

回答：

会话开始/结束

一种简单的方法是选择一个数字来表示会话已经结束，我见过使用20分钟的无活动时间来表示会话已经结束。

更robust的方法是将这个问题视为一个概率问题，因为会话的长度没有固定，或者会话之间的时间间隔也没有固定。

你需要做的第一件事是查看数据。特别是到达时间间隔。你有一系列的页面访问事件。你需要绘制到达时间间隔的分布图（页面访问之间的时间间隔，以秒为单位）。

一个合理的假设是分布看起来像泊松分布，或者如果会话间的时间确实是聚集的，那么分布会是泊松分布但有额外的峰值。

如果数据显示出一个很好的泊松分布，一个简单的方法就是直接使用访问时间的分布。

通过从到达时间间隔的分布中选择一个适合你用例的百分位数，你可以确定一个相当有用的阈值，超过这个阈值的到达时间间隔表明一个新会话已经开始。

或者，如果更有用的话，你可以使用分布来获取观察到到达时间间隔的概率，低概率表明新会话的开始/结束。

更复杂的情况是，如果分布是双峰的，比如因为人们倾向于以相似的方式安排他们的会话。如果是这样，可能更简单的是探索一个简单的聚类算法，如k-means，对到达时间间隔进行聚类，你期望有一个聚类用于会话内的访问，另一个聚类用于会话间的访问。

计算会话次数

一旦你找到了一个合适的方法来识别不同的会话，分配每个会话一个唯一的键，按用户分组并计算唯一键的数量就变得很简单了。