基于复杂属性相似度的聚类算法研究及应用

摘要

聚类分析作为一种能准确归类数据到适合类别的技术,在市场细分中有着广泛应用。随着企业经营业务的多元化和企业对客户重视程度的不断加强,描述客户特征的属性也在不断细化,这使得客户信息数据的维度不断提高。数据的高维性,使得聚类算法面临称为“维灾”的难题已经越来越引起人们的关注。
　　 由于基于选维和降维的高维聚类算法需要放弃某些维度上的信息,使得这类方法不能较好的满足实际的需要。如何在确保各个数据维度信息完整的情况下进行聚类分析是高维聚类领域研究的重点。本文主要研究高维聚类算法中基于对象相似性的聚类算法,主要进行了以下几项研究:
　　 (1)讨论了聚类分析的一般过程,分析了五类传统聚类算法和三类高维聚类算法。重点研究了基于对象相似性聚类算法中的相似性度量函数和图的分割算法。
　　 (2)针对企业市场调查数据特点,根据属性相似度度量思想,提出了一种面向复杂属性的聚类算法。该算法首先对数据属性进行分类,然后根据相似性建立图模型,最后对图进行分割与聚类。该算法能在保证数据信息完整的同时有效处理高维数据和复杂属性。算法在参数调节时,不需遍历原始数据,有效提高了运算效率;该算法不需指定初始聚类中心,减少了人工干预对聚类的影响。利用随机数据集Random进行的模拟实验表明,提出的算法具有良好性能,能得到高质量的聚类。
　　 (3)论文以某省电信高校市场调查为背景,给出了一个完整的聚类分析的实例。该实例采用本文提出的基于复杂属性相似度的聚类算法,通过对电信市场调查数据进行聚类,得到了高校电信市场细分的结果,为企业在高校电信市场的推广提供了决策依据,并验证了算法的有效性。

目录

文摘

英文文摘

论文说明:图表目录

第1章 绪论

1.1 本文研究背景及意义

1.2 研究现状

1.2.1 低维聚类研究现状

1.2.2 高维聚类研究现状

1.3 本文主要研究内容

1.4 本文结构

第2章 聚类分析算法

2.1 聚类的一般过程

2.2 传统聚类算法

2.2.1 划分法

2.2.2 分层法

2.2.3 基于密度的方法

2.2.4 基于网格的方法

2.2.5 基于模型的方法

2.3 高维聚类算法

2.3.1 维度约减

2.3.2 子空间聚类算法

2.3.3 基于对象相似性的聚类算法

2.4 小结

第3章 基于复杂属性相似度的聚类算法

3.1 算法整体流程

3.2 相似性度量方法

3.2.1 距离

3.2.2 相似系数

3.2.3 基于复杂属性的相似性度量方法

3.3 图聚类

3.3.1 基于SL树的图分割算法

3.3.2 两阶段无向加权图聚类算法

3.4 算法分析

3.4.1 特性分析

3.4.2 实验分析

3.5 小结

第4章 基于复杂属性相似度的聚类算法应用与分析

4.1 应用背景

4.2 数据获取与处理

4.2.1 原始数据获取

4.2.2 数据处理

4.3 聚类分析

4.4 聚类结果分析

4.4.1 SWOT分析方法

4.4.2 市场细分

4.4.3 市场细分结果的应用

4.5 小结

结论

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录

附录B 攻读学位期间参与的主要项目