自互联网诞生以来,随着网络技术的不断发展,网络已逐步成为人们获取各种信息资源的首要途径,网络在极大地丰富人们日常生活的同时,经过几十年的发展积累了海量的用户行为数据。面对如此宝贵的资源,如何有效地从海量用户数据当中挖掘出其中潜在的、隐藏的、有价值的信息并加以利用,已成为当前数据挖掘领域的研究热点。本文通过对Web日志进行分析挖掘出用户潜在的一些行为规律。本文在对已有的Web数据挖掘模型及算法分析总结的基础上,提出了一种改进的AprioriAll算法来挖掘用户频繁访问路径,同时提出了一种基于浏览路径和访问兴趣的用户聚类算法。通过改变候选序列的连接方式减少候选序列的产生和减少不必要的数据库扫描,改进后的AprioriAll算法降低了原算法的时空复杂度,提高了挖掘性能。在用户聚类分析上,首先利用用户的访问路径得到Web站点的用户相似矩阵,并在此基础上对用户进行聚类得到一个初始用户聚类,然后利用连接强度公式判断初始聚类内的每个用户与其所属聚类的内聚度,并把内聚度偏低的用户从当前聚类中剔除出去,从而细化初始聚类。由于同时考虑了用户的访问路径、访问时间和访问频次,算法的精确度得到一定程度的提升。最后,本文通过java语言实现了一个简单的Web日志挖掘原型系统,在对Web日志进行预处理的基础上挖掘出用户频繁访问的路径集和具有相似访问行为的用户聚类。通过实验表明,本文研究实现的用户行为分析系统具有较好的实现效果,算法的高效性和准确性得到了验证。