基于BFO和K-means相结合的web用户会话聚类方法研究

摘要

随着风靡全球的网上交易平台和B2C的应用，Web空间中充斥着规模巨大的超越人类的认知和理解能力的的异构信息，Web用户显示不同的行为模式依赖于他们的信息需求和特定的访问项目。聚类是目前挖掘这类信息以获取有效的知识最关键的一项技术。Web用户聚类挖掘用户浏览需求和偏好的相关信息，这些信息可以帮助网站运营商改善站点的内容、结构和性能，从而为用户提供更具个性化的服务和更出色的浏览体验。例如，在电子商务网站，可能存在不同（不重叠）浏览模式的用户组，这些用户组包括通过浏览不同类别的各式各样的产品参与购物的用户;有目标导向的只关心特定的产品种类的用户;把产品放入购物车但没有购买的用户等等。确定这些用户的行为模式，一个网站可以去区分哪些用户表现出很高的购买倾向，而哪些没有。反过来，也可以诱导个性化工具的产生，针对相应的用户调整页面的内容。
　　 国内外丰富的研究成果已经证明对于大型的数据集，最常用的划分聚类算法K-means算法更加适用。然而，K-means算法只能产生一个局部最优解，对于大规模的会话聚类问题显得力不从心。在最近的研究中，智能优化技术被引入到数据挖掘中来，群智能是由动物的生物行为产生的灵感，堪称解决分布式的优化问题的智能典范。它是一种基于一个多代理环境中独立代理之间的沟通和协作的艺术形态的优化技术。
　　 本文提出基于细菌觅食优化的K-means聚类算法，将聚类问题转化为一个优化问题。首先，本文提出一个单纯的细菌觅食聚类算法，该算法能在合理的时间内发现接近全局最优的聚类。相比于K-means算法的局部搜索，细菌觅食聚类算法在整个解空间进行全局搜索。利用细菌觅食算法与k-means算法融合来改进k-means算法对于随机地选择初始聚类中心的依赖，使得算法更加稳定高效。
　　 本文主要的研究工作及创新性研究成果如下:
　　 (1)本文提出了一个基于BFO改进的K-means聚类算法。把聚类问题转化为通过优化目标函数来找到K-means聚类所需的最优初始聚类中心的问题。
　　 (2)设置实验选取算法的参数并对四种不同的数据集进行聚类，分析混合算法的有效性。
　　 (3)对真实的web用户会话进行聚类，与流行的聚类算法比较，实验结果显示该算法具有更好的性能。

目录

声明

摘要

致谢

第一章 绪论

1．1 研究背景及意义

1．2 研究现状分析

1．2．1 Web用户会话聚类研究现状

1．2．2 K-means研究现状

1．2．3 BFO研究现状

1．3 本文的研究内容和文章结构

第二章 web使用挖掘概述

2．1 Web数据挖掘

2．1．1 Web数据挖掘概念

2．2 Web使用挖掘

2．2．1 web使用挖掘概念

2．2．2 Web使用挖掘的结构和过程

2．2．3 Web使用挖掘的主要技术

2．3 聚类分析

2．3．1 数据类型和相似度度量

2．3．2 聚类准则

2．3．3 聚类优化

2．4 Web用户会话聚类概述

2．4．1 web用户会话聚类数据

2．4．2 web会话聚类主要技术

2．5 本章小结

第三章 基于细菌觅食优化和K-means结合的聚类算法

3．1 细菌觅食算法概述

3．1．1 细菌觅食算法的简介

3．1．2 细菌觅食的生物行为

3．1．3 细菌觅食算法的参数和流程

3．2 细菌觅食聚类算法(BF-C)

3．2．1 算法参数设置的准则

3．2．2 趋向性步长的选取

3．2．3 趋向性次数和游动步长的选取

3．2．4 复制操作次数和迁徙操作次数的选取

3．2．5 迁徙概率的选取

3．3 细菌觅食优化和k-means混合的聚类算法

3．3．1 k-means算法流程

3．3．2 混合算法设计思想

3．3．3 混合聚类算法流程(KBFC)

3．4 本章小结

第四章 混合算法在Web用户会话聚类中的应用

4．1 web用户会话聚类问题描述

4．2 KBFC算法的聚类有效性分析

4．2．1 聚类有效性实验数据集

4．2．2 聚类有效性度量指标

4．2．3 聚类有效性实验结果

4．3 EPA数据聚类

4．3．1 web日志预处理过程

4．3．2 EPA数据实验结果

4．4 本章小节

第五章 总结与展望

5．1 工作总结

5．2 工作展望

参考文献

攻读硕士学位期间发表的论文