基于改進的混合蛙跳算法的Web用戶聚類研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，Web不僅實現(xiàn)了全球的信息交換和資源共享，而且Web上的信息量也成指數(shù)級的增長。一方面，海量的Web信息為用戶提供了獲取信息的源泉;另一方面，如何高效的從海量的信息中獲取有價值的信息也成了Web用戶面臨的一個嚴重挑戰(zhàn)。Web用戶聚類的最終目標就是從海量的用戶訪問日志記錄信息中挖掘出有價值的信息，從而為用戶提供優(yōu)質的服務。目前，Web使用挖掘技術已經(jīng)成功應用在商業(yè)智能、Web站點結構的改善、個性化服務推薦等領域。作為We

2、b使用挖掘的一個研究點，Web用戶聚類旨在發(fā)現(xiàn)具有相似行為的用戶，從而為個性化服務的推薦、Web站點拓撲結構的改善等方面提供幫助。
　　在Web用戶的聚類研究中，大多數(shù)的研究主要是將傳統(tǒng)的聚類算法應用于Web用戶的聚類問題上。然而，傳統(tǒng)的聚類算法，如K中心點，只能產(chǎn)生一個局部最優(yōu)解，對大規(guī)模的Web用戶聚類問題顯得力不從心。針對此類情況，目前已經(jīng)有很多群體智能優(yōu)化算法用于求解此類問題，例如PSO和ACO。混合蛙跳算法(SFLA)作

3、為一種群體智能仿生優(yōu)化算法，由于具有概念簡單、易于實現(xiàn)、參數(shù)少和全局尋優(yōu)能力強等優(yōu)點，已經(jīng)受到國內(nèi)外研究者的廣泛研究，已在函數(shù)優(yōu)化、組合優(yōu)化、資源網(wǎng)絡優(yōu)化與生產(chǎn)調(diào)度等領域得到成功的應用。但是，對于使用混合蛙跳算法進行Web用戶聚類尚處于起步階段，因此，如何針對問題的特性對經(jīng)典的混合蛙跳算法進行改進使其獲得更好的性能具有重要意義。
　　本文的主要工作包括以下幾個方面:
　　(1)用戶相似性的計算。在度量用戶之間的相似性時，用戶

4、聚類特征相似性的度量將直接影響用戶之間的相似性。本文在計算用戶的相似性時，主要從用戶瀏覽興趣度和頁面被瀏覽的先后順序兩個方面來考慮用戶聚類特征的相似性，然后在此基礎上計算用戶之間的相似性。
　　(2)對經(jīng)典的混合蛙跳算法進行改進。經(jīng)典的混合蛙跳算法雖然已經(jīng)成功應用于函數(shù)優(yōu)化、組合優(yōu)化等領域，但它也存在著收斂速度不夠快、容易陷入早熟等缺點。針對收斂速度不夠快，本文設計了一個自適應步長移動更新規(guī)則。自適應移動步長更新規(guī)則有利于在局部范

5、圍搜索時動態(tài)調(diào)整較差的蛙向較好的蛙學習的力度，從而加快算法的收斂速度。針對算法容易陷入早熟的現(xiàn)象，本文引入種群淘汰機制來防止算法早熟。
　　(3)對改進的混合蛙跳算法和K中心點算法進行融合研究。通過分析混合蛙跳算法和K中心點算法的特性，本文提出一種融合混合蛙跳算法和K中心點算法的混合算法，并將其應用到Web用戶聚類優(yōu)化模型的求解中。
　　(4)實驗分析。分別采用K中心點算法和本文提出的混合算法對Web用戶進行聚類，并對聚類結