基于人工鱼群的聚类算法在读者行为分析的应用研究

摘要

在信息化时代里，数据存储量与日俱增，为了从这些看似毫无规律的数据中得到有价值的资料，数据挖掘技术应时而生，在近一个多世纪中，它得到了飞速的发展，且在诸多领域中应用越来越普遍。其中，对聚类分析的研究一直是数据挖掘发展历程中的重点内容之一。
　　最近几十年，新兴的群体智能算法如粒子群算法、蛙跳算法等在优化领域获得了巨大的成功。作为群体智能算法之一，人工鱼群算法自被提出后，引起了诸多专家学者的注意，为了提高实用性，它被广泛应用到不同领域，其中包括数据挖掘领域。
　　另外，高校图书馆有着相对固定的读者，大批用户数据在日常的读者服务中产生。图书馆系统中的记录是读者实现自我需要的行为结果，也是图书馆资源被读者认可的有力凭证。一些与用户相关的知识隐藏在读者信息、馆藏图书信息以及用户借阅记录等数据之间。
　　出于商业利益的考虑，目前各界对高校读者行为分析的研究还不是很多。本论文通过研究 K-means聚类算法和人工鱼群算法，设计了一种新的基于改进人工鱼群的混合聚类算法，并以此作为核心算法，对文中提出的三种读者行为分析模型进行聚类，为图书馆对读者借阅规律的把握、馆藏图书受喜爱程度，服务模式提升等方面提供一定的依据。
　　首先，设计并实现了一种基于改进人工鱼群的混合聚类算法。该算法从以下几个方面进行了改进：对参数视野采用矢量的形式，以待聚类样本的各属性值的标准差为基准；对追尾算子融合粒子群策略；在迭代过程中随机选择一小部分不为最优状态的人工鱼，按照最近邻原则，执行 K-means行为。实验证明，该算法综合了人工鱼群算法和 K-means两者的优点，不仅能克服 K-means敏感的初始质心选择问题，同时还能提高 AFSA后期收敛速度，可以用相对较短的时间获得质量最优的聚类簇。
　　其次，对图书馆系统中读者基本信息、馆藏信息和用户借阅记录，进行整理、清洗和转化，根据本文研究需要，提出的三种读者行为分析模型：读者借阅模型、图书流通模型和单本借阅特性模型。
　　最后，将该改进的算法应用到三个分析模型中，发现其中的规律特点，为指导读者借阅行为，提高资源利用率，优化服务模式等提供事实依据。

目录

封面

声明

中文摘要

英文摘要

目录

引言

1绪论

1.1选题背景和研究意义

1.2研究现状

1.3 本文的研究工作及论文结构

2相关理论基础

2.1聚类分析

2.2人工鱼群算法

2.3 现有的改进人工鱼群算法

2.4 标准人工鱼群聚类算法

2.5本章小结

3基于改进人工鱼群的混合聚类算法

3.1算法相关说明

3.2算法步骤

3.3算法流程

3.4实验结果及性能分析

3.5本章小结

4实验数据处理及模型构建

4.1数据的选择

4.2数据的预处理

4.3分析模型的构建

4.4本章小结

5基于人工鱼群的聚类算法在读者行为分析的应用

5.1读者行为分析的概述

5.2基于人工鱼群的聚类算法的读者行为分析

5.3结果分析

5.4本章小结

6结论与展望

6.1结论

6.2展望

参考文献

在学研究成果

致谢