基于模糊聚类的自组织神经网络的用户模式挖掘算法研究

摘要

目前,兴起的个性化信息推荐技术已经成为当前Web使用挖掘的热门领域之一。个性化信息推荐是根据Web用户浏览站点的Web日志以及其他用户的相关信息,推测其喜好和兴趣,并为其提供个性化信息服务。本文主要研究个性化推荐过程中的用户聚类算法,对Web日志进行分析从而获取用户的多种兴趣。
　　 本文提出基于聚类中心集的合并聚类算法来确定样本集的聚类数目。采用了自组织神经网络作为实施算法,预设一个较大的聚类数目进行网络学习和训练,得到聚类中心集。利用该算法对聚类中心集进行合并操作,利用夹角余弦公式计算各聚类中心的相似度,构建评价函数来判断聚类中心是否可以满足合并的要求,最后根据样本隶属聚类中心的隶属度的分布是否均匀来合并聚类中心集,从而得到样本集的新的聚类中心集和聚类数目。
　　 本文将模糊C均值聚类算法应用于自组织神经网络的拓扑结构,提出一个模糊聚类神经网络。利用自组织神经网络的拓扑结构和强大的训练学习能力,能够有效解决模糊C均值聚类中大数据量运算缓慢和中心权值初始化等一些问题;同时,模糊C均值聚类在处理复杂问题上,为其增加模糊的特性,对聚类效果有明显的改进,并且可以挖掘用户的多兴趣。
　　 在模糊聚类神经网络的应用阶段,竞争模糊层的神经元权值设置为之前训练阶段的权值,并保持稳定,不再进行更新调整。根据隶属度函数更新每个输入样本到输出神经元的隶属度。学习率根据隶属度进行自适应的调整,避免对邻域的选择与调整。最后根据隶属度的分布特征,设定输出阈值,若输入样本到某一输出神经元的隶属度大于该阈值,则输出该神经元所对应的类别信息。
　　 最后,利用本文设计的挖掘模型对预处理后的数据进行训练,使该模型能够自动聚类。然后随机从输入样本中抽取数据,对模型的性能进行测试和评估,实验证明,改进后的模糊聚类神经网络聚类效果明显,能准确刻画出用户的模糊特性,即用户的多种兴趣和喜好。