第三章 研究方法
3.4 多維度操作紀錄正規化
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
究將利用 Microsoft SQL Server 2008 所提供的 Profiler 功能，記錄每筆使用者在於多維度 分析平台上所進行的查詢內容。表 3-1 的資料就是我們所記錄下來的所有使用者在多維 度分析系統上所做的操作紀錄，後續我們將會藉由內容的觀察，將每筆資料解析為可做 為分析使用的資料。
表 3-1、使用者於多維度分析系統的操作紀錄範例
3.4 多維度操作紀錄正規化
經由 Profiler 所記錄下來的操作都是一連串複雜的 MDX 語法，無法運用在研究中進行 相似度的判斷。因此在本研究中，參考 Carsten Sapi [9]的作法，將每筆操作記錄的正規 化成一個可運用的項目集合。在本研究中，我們藉由觀察資料庫內的資料屬性，撰寫一 隻適當的解析程式來剖析每筆操作結果，將每次的操作紀錄拆分為四個部分：Cube 名 稱、維度-報表 、維度-過濾條件與量值四個部分，最後再經由簡化的方式將每筆的操作 紀錄正規化為一個有限的維度集合(={df,..dr, M})。在此表示式中我們把量值也視為一個 特殊的維度。下面是一個 MDX 範例，在後續我們將會依據正規化的方式將此查詢 MDX 進行拆解：
‧
是以 Measure 為開頭的字串，因此我們可以利用[Measures].找出每個量值的起始位 置，接下來我們可以利用 ] 找出各量值得結束位置，以此範例來說[消費人數]的起 始位置為 20 與 25。3. 步驟三：分析此次操作的過濾維度：在多維度分析系統的查詢語句中，過濾的條件 式與 T-SQL 相似，會出現於 WHERE 的描述式中，但是它是對維度以 SLICE 方式 進行查詢過濾。因此在解析的過程中，我們將會利用 WHERE 字串協助定位出過濾 維度的起始位置，接下來我們可以利用維度的形式 [Dimsnsion].[Level].&[Member]
的特性，利用 [ 、.&[ 與 ] 等字串的位置找出每個過濾維度的起始與結束的位置。
[Dimsnsion].[Level].&[Member]
[Dimsnsion].[Level].[(All)].ALLMEMBERS
且報表維度也一定會出現於 WHERE 前面，因此我們可以利用此兩個特徵，分析得 到此操作中的報表維度為[清算日].[清算日 年].&[2008 年]與[清算日].[清算日 年].&[2008 年]。
5. 經過系統的解析後將會拆分為下列四類型的物件
Cube 名稱：[卡友消費分析]
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
報表維度名稱：
[清算日].[清算日 年].&[2008 年]
[清算日].[清算日 年].&[2009 年]
過濾維度名稱
[特約商].[主產業別].&[TT]
量值名稱：[消費人數]
但是在推薦機制的相似度判斷中，所有的操作內容都是百分之百相同的情況是非常的低 的。因此系統將會再進一步的此結果進行簡化，我們將維度中特定成員(member)的資訊 給刪除後，做為正規化後的最小單位，並且將每個查詢式以下列表示式呈現
Þ = ( Cube , Ds = {s1,…,si} , Dr = {r1,…,rj} , Mm = {m1,…,mk}) Ds 表示此次操作所包含的過濾維度集合
Dr 表示此次操作所包含的報表維度集合 Mm 表示此次操作所包含的量值集合 因此此次的解析結果正規化後將如下
Cube 名稱：[卡友消費分析]
報表維度名稱：[清算日].[清算日 年]
過濾維度名稱：[特約商].[主產業別]
量值名稱：[消費人數]
Þ = ([卡友消費分析],{ [清算日].[清算日 年]},{[特約商].[主產業別]},{[消費人數]})，這樣 的項目集合也將會作為後續相似度判斷計算時所使用。