基于詞袋模型的塊數(shù)據(jù)聚類算法研究.pdf

1、在實際應(yīng)用中，許多數(shù)據(jù)對象都無法再簡單的用單一特征向量描述。例如，描述客戶購物行為的數(shù)據(jù)對象是由多條購物記錄組成的，并且不同客戶所購商品的數(shù)目也不盡相同。這種由非固定數(shù)目的多個特征向量所描述的數(shù)據(jù)對象對傳統(tǒng)的聚類算法提出了新的挑戰(zhàn)，亟待發(fā)展相應(yīng)的理論與知識以應(yīng)對這種新形式對象的數(shù)據(jù)挖掘問題。
　　本文引入塊數(shù)據(jù)對象的概念，用于定義這種由多個特征向量描述的對象，并針對塊數(shù)據(jù)集的聚類分析方法進行了以下兩方面的研究，
　　（1）基

2、于詞袋模型提出了一種塊數(shù)據(jù)對象的新表示形式，解決了塊數(shù)據(jù)集無法用傳統(tǒng)聚類算法直接聚類的問題。在塊數(shù)據(jù)對象向新表示形式的轉(zhuǎn)換過程中，利用DBSCAN算法在塊數(shù)據(jù)集每一維的虛擬對象數(shù)據(jù)集上進行聚類，得到屬性列上虛擬對象的類分布情況，基于詞袋模型給出了塊數(shù)據(jù)對象的新表示形式?；趬K數(shù)據(jù)對象的新表示形式，設(shè)計了一種面向塊數(shù)據(jù)集的聚類分析算法（BWM-BDC算法），在真實數(shù)據(jù)上證實了BWM-BDC算法的有效性和可行性。
　　（2）基于F_L

3、eaders算法提出了一種改進BWM-BDC算法時間效率的方法。在改進方法中，首先利用F_Leaders聚類算法對塊數(shù)據(jù)集每一維的虛擬對象進行基于密度的劃分，并選取中心位置的對象作為類簇（劃分）的代表對象，然后利用DBSCAN算法對每一維上的代表對象集合進行聚類分析，再將代表對象的類別標號拓展到其所在的類簇中，最終獲得屬性列上所有虛擬對象的聚類結(jié)果。改進方法通過減少DBSCAN算法的聚類對象這種方式優(yōu)化算法的運行時間，在Musk數(shù)據(jù)上的