基于数据挖掘的个性化网页推送服务模式研究，探讨了利用数据挖掘技术改善用户通过网页获取信息的体验。在这个过程中，涉及到的关键技术和方法包括聚类分析、关联规则挖掘等。
数据挖掘是从大量数据中提取或“挖掘”信息的过程，这些信息是以前未知的，但对于做出决策非常有用。在个性化网页推送服务的场景中，数据挖掘技术的应用可以帮助网站更精准地理解用户的浏览习惯和偏好，从而为不同用户推送他们更感兴趣的内容。
Web数据挖掘是数据挖掘技术在网络环境中的应用，具体可分为Web内容挖掘、Web结构挖掘和Web日志挖掘三类。其中Web日志挖掘专注于分析Web服务器日志记录，通过用户访问日志数据发现用户访问模式和客户特征。
聚类分析是一种无监督学习方法，目的是将数据集中的对象划分为多个簇，使得同一簇中的对象彼此相似度高，而与其他簇中的对象差异大。在个性化网页推送中，聚类分析可以帮助发现用户群体的访问模式，通过识别出相似访问行为的用户，为他们推送相关内容。
关联规则挖掘则是用来发现数据库中不同项目之间的有趣关系的规则，这些规则通常表示为“如果...那么...”的形式。它有助于识别数据集中项之间潜在的关联性。在个性化服务中，通过关联规则挖掘可以预测用户的行为，并为用户推荐他们可能感兴趣的内容。
个性化网页推送服务的工作模式通常分为三层：数据层、访问模式提取层和个性化网页推送层。数据层处理用户访问日志记录并得到数据，访问模式提取层通过数据挖掘技术来发现和保存用户访问模式，而个性化网页推送层则是将处理后的用户访问数据按规则推送给用户。
K-means算法是一种常见的聚类算法，它通过迭代计算使得簇内对象的相似度最大化，簇间对象的相似度最小化。在本研究中，K-means算法被用于对用户的访问行为进行聚类，以便将相似行为的用户归为同一类别。
关联规则分类方法则是利用关联规则对新用户进行类别划分的手段。通过对聚类得到的簇使用关联规则方法，可以发现簇内网页的访问规则，并将这些规则作为访问模式保存下来。新用户访问网站时，通过相似度比较可以快速确定用户的类别，并推送相应的内容。
文章指出，个性化页面推送服务模式能够实现网站个性化页面推送的功能，通过为用户快速推送个性化信息，能够缩短用户的访问时间，快速获取信息，最终为用户提供个性化服务。
整个研究过程中，数据挖掘技术的应用使得网站能够更加智能地处理用户的访问日志数据，并根据用户的行为特征，实时地提供个性化推送服务。这种模式不但可以提升用户体验，还能增强用户对网站的黏性，从而提高网站的访问量和用户满意度。
