基于Web日志挖掘的用戶訪問(wèn)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(dá)到空前的規(guī)模，不論通過(guò)計(jì)算機(jī)還是手機(jī)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(jià)值的知識(shí)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(yàn)，這些成為了互聯(lián)網(wǎng)時(shí)代亟待解決的問(wèn)題。在此背景下Web數(shù)據(jù)挖掘技術(shù)應(yīng)運(yùn)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(wú)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(guò)實(shí)驗(yàn)驗(yàn)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(diǎn)。其次，針對(duì)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(wèn)題，提出了改進(jìn)的基于K-means

3、的粒子群算法，通過(guò)定義分散度來(lái)確定K-means算法的操作時(shí)機(jī)，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(shí)也提高了解的精度。接著本文對(duì)粒子群算法中的慣性權(quán)重加以改進(jìn)，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(jìn)行非線性地自適應(yīng)調(diào)整。為了避免隨機(jī)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(lái)降低聚類過(guò)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