基于SOM神經網絡和模糊聚類的Web日志增量挖掘研究.pdf

1、隨著信息爆炸時代的來臨,數據動態(tài)更新的速度加快,網民面對海量的數據信息往往顯得無從下手,出現了所謂的“信息過載”現象。為了在大量的數據中提取出人們感興趣的知識,一種根據用戶瀏覽Web站點時留下的一系列點擊動作的記錄,推測用戶的需求和偏好,為用戶提供個性化推薦技術的研究就逐漸成為當前一個重要的課題。
　　首先,本文綜合考慮了經典的SOM神經網絡和模糊聚類算法的特點,提出了一種基于SOM神經網絡和模糊聚類的挖掘算法。通過預設一個較大的

2、輸出神經元個數,利用SOM神經網絡對數據集進行粗聚類,得到粗聚類中心集。接著將粗聚類中心集作為模糊聚類算法的輸入參數,對原始數據集進行細聚類,并輸出聚類中心集。最后通過類合并算法判斷聚類是否需要合并,并輸出最后的聚類集合。由于改進的算法采用了SOM粗聚類輸出的聚類中心作為模糊聚類算法的初始聚類中心,解決了模糊聚類算法的多個隨機初始聚類中心可能出現在同一個聚類中,導致最終聚類效果不理想的問題。算法中采用了類合并算法,使得模糊聚類算法并不需

3、要人為指定聚類的個數,降低了模糊聚類算法對初始聚類中心的個數過于依賴的問題,并能夠發(fā)現不同形狀的簇。
　　其次,本文在基于SOM神經網絡和模糊聚類的挖掘算法基礎上設計了一種Web日志增量挖掘算法。該算法對噪音不敏感,充分利用了上次的挖掘結果,能夠快速地進行增量更新,適用于對數據更新頻繁的數據庫進行增量挖掘。特別是對Web日志這類數據量相對比較大,更新頻繁的動態(tài)數據庫,該算法有比較明顯的優(yōu)勢。
　　最后,本文設計并實現了Web