數(shù)據(jù)挖掘中增量聚類算法的研究.pdf

1、數(shù)據(jù)挖掘技術領域中一項重要的數(shù)據(jù)分析技術——聚類分析技術在許多重要方面都得到了廣泛的應用，近年來得到了廣泛的研究，并取得了較快的發(fā)展。其實，聚類問題實質上是把待處理的原始樣本數(shù)據(jù)對象通過某種相似性準則函數(shù)被分為若干類，想要達到的結果就是同一組相似性盡可能高，不同組之間差異性盡可能大，然后在這些不同組之間尋找聯(lián)系，進行進一步的操作。目前研究的聚類分析大致可以分為：劃分聚類(Partitioning clustering)、層次聚類(Hie

2、rarchical clustering)、網(wǎng)格聚類(Grid-based clustering)、密度聚類(Density clustering)、模糊聚類(Fuzzy Clustering Algorithm)、模型聚類(Model clustering)等。
　　聚類K-means方法是一種基于分割的聚類算法，由于其易于實現(xiàn)，易于操作，簡單高效，被廣大研究學者廣泛用于研究。但也有一些缺陷，K-means方法在選取初始中心進行

3、聚類時采取的是隨機選取的形式，這就使得聚類結果將遵循初始中心選擇變化，因此，本文在K-means方法的基礎之上，針對K-means方法存在的不足之處進行了鉆研與應用，主要的鉆研有以下幾個方面：
　　1．對于傳統(tǒng)的K-means方法進行了探討，針對傳統(tǒng)K-means聚類算法初始聚類中心隨機選取的缺陷進行改進，本文根據(jù)KD-樹這種高效的數(shù)據(jù)結構對K-means方法進行改進提出了優(yōu)化中心選取的新方法。該方法引入KD-樹這種數(shù)據(jù)結構，將數(shù)

4、據(jù)集建立KD-樹，通過對KD-樹中矩形單元的分割、計算、排序等操作，選取出能夠表示樣本數(shù)據(jù)分布形態(tài)的k個非噪聲點的初始聚類中心；根據(jù)上述提出的算法，結合優(yōu)化選取的k個代表樣本數(shù)據(jù)空間分布形態(tài)的初始聚類中心和增量數(shù)據(jù)建立新的KD-樹，通過近鄰搜索將增量數(shù)據(jù)劃分到對應的類中，完成增量數(shù)據(jù)的動態(tài)聚類過程。
　　2．傳統(tǒng)協(xié)同過濾算法應用的樣本數(shù)據(jù)空間都會轉化為用戶-項目評分矩陣，但是矩陣中會出現(xiàn)“0”值或是空值，使得轉化后的評分矩陣數(shù)據(jù)稀

5、疏，本文中提出的算法機制是結合了聚類分析的技術和協(xié)同過濾的技術同時產生商品推薦。其中主要是在聚類分析算法中選擇了K-means方法進行了研究與使用，K-means方法存在一個最典型的缺陷就是聚類初始階段隨機選取中心點，本文的新方法先是利用Kruskal最小生成樹算法改進K-means的不足，提出了一種Kruskal改進的K-means聚類方法—KrusK-means算法。接下來在協(xié)同過濾推薦機制中同時利用KrusK-means算法對項目