基于Web日志挖掘的用戶訪問興趣研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展，網(wǎng)絡(luò)上的信息量已經(jīng)達到空前的規(guī)模，不論通過計算機還是手機人們都可以從網(wǎng)上獲得自己想要的信息。如何從海量數(shù)據(jù)中快速準(zhǔn)確獲得有用的信息以及發(fā)掘其中潛在的有價值的知識和模式，讓互聯(lián)網(wǎng)變得更加智能化，讓人們獲得更好的網(wǎng)絡(luò)體驗，這些成為了互聯(lián)網(wǎng)時代亟待解決的問題。在此背景下Web數(shù)據(jù)挖掘技術(shù)應(yīng)運而生，成為了解決上述難題的有效途徑之一。
　　Web數(shù)據(jù)挖掘主要包括Web內(nèi)容挖掘、Web結(jié)構(gòu)挖掘、Web日志挖掘三方面，

2、本文主要研究背景為Web日志挖掘。由于Web日志數(shù)據(jù)具有高維、巨量、半結(jié)構(gòu)或無結(jié)構(gòu)等特性，傳統(tǒng)的數(shù)據(jù)挖掘算法不能很好的滿足性能需求，因此本文將群智能算法中的粒子群算法應(yīng)用到了用戶聚類中，通過實驗驗證了該算法在高維數(shù)據(jù)上的性能優(yōu)于傳統(tǒng)的聚類算法。
　　本文首先研究了經(jīng)典的聚類算法和粒子群優(yōu)化算法的基本原理并比較分析了它們的優(yōu)缺點。其次，針對現(xiàn)有聚類算法中存在的易陷入局部最優(yōu)、高維數(shù)據(jù)上性能不穩(wěn)定等問題，提出了改進的基于K-means

3、的粒子群算法，通過定義分散度來確定K-means算法的操作時機，充分利用了K-means算法的局部搜索能力和粒子群聚類算法的全局搜索能力，加快了收斂速度的同時也提高了解的精度。接著本文對粒子群算法中的慣性權(quán)重加以改進，引入適應(yīng)度方差的概念，使慣性權(quán)重隨適應(yīng)度方差進行非線性地自適應(yīng)調(diào)整。為了避免隨機搜索導(dǎo)致的退化現(xiàn)象，在粒子群中還加入了一定概率的變異操作來降低聚類過早陷入局部最優(yōu)解的可能性。然后，本文由分而治之的思想啟發(fā)，構(gòu)建了一種分層的