基于ACO和PSO相结合的Web用户会话聚类方法研究

摘要

随着Web2.0时代的到来，Web使用挖掘受到越来越多的关注。大规模的互联网用户访问行为产生了海量的数据。从用户使用行为中发掘出用户感兴趣的模式给研究人员也带来了挑战。找到这些模式是web使用挖掘最终的目标，它可以帮助改善站点的内容、结构和个性化服务，从而给用户带来更好的浏览体验。会话聚类是一种重要的Web使用挖掘技术，旨在发现相似的用户行为，这是目前Web使用挖掘中的热点问题之一。该问题的难度在于要对大规模的会话进行聚类，这些会话被表示成高维向量，加大了对算法高效性的要求。
　　群体智能算法由于其具有的高性能和易实现性，被众多学者应用到函数优化和工程技术领域，取得了较理想的效果，例如蚁群优化算法(Ant ColonyOptimization，ACO)和粒子群算法(Particle Swarm Optimization，PSO)。而对运用群体智能算法进行web使用挖掘的研究尚处于起步阶段，算法本身在解决此类问题上还存在着不足之处。因此针对问题的特性如何进行算法的改进使其获得更好的性能具有重要的意义。
　　本文主要的研究工作包括如下三个个方面的内容：
　　(1)从理论上对蚁群算法和粒子群算法进行分析，根据这两种算法各自存在的优点和缺陷，将两算法进行融合。
　　(2)对UCI数据集进行聚类操作，验证混合算法的有效性。
　　(3)运用混合算法进行真实Web用户会话进行聚类。实验结果表明该算法与ACO算法、PSO算法、K-Means算法相比，具有更好的性能。

目录

文摘

英文文摘

致谢

插图清单

表格清单

第一章 绪论

1.1 研究背景和意义

1.2 研究现状

1.2.1 Web用户会话聚类研究现状

1.2.2 ACO研究现状

1.2.3 PSO研究现状

1.3 本文的研究内容和文章结构

第二章 WEB用户会话聚类概述

2.1 WEB数据挖掘

2.1.1 Web数据挖掘概念

2.1.2 Web数据挖掘过程

2.1.3 Web数据挖掘分类

2.2 WEB用户会话聚类研究

2.2.1 Web用户会话聚类数据

2.2.2 Web用户会话聚类过程

2.2.3 Web用户会话聚类应用

2.3 本章小结

第三章 聚类分析概述

3.1 常用数据结构和相似性度量方法

3.2 聚类算法

3.3 聚类算法比较

3.4 聚类面临的挑战

3.5 本章小结

第四章 基于蚁群和粒子群相结合的混合聚类算法

4.1 蚁群算法概述

4.1.1 基本蚁群算法的起源

4.1.2 蚁群算法的基本原理

4.1.3 基本蚁群算法的特点

4.1.4 蚁群算法的发展

4.1.5 蚁群聚类算法

4.2 粒子群算法概述

4.2.1 粒子群群算法的起源

4.2.2 粒子群算法的基本模型

4.2.3 粒子群算法的参数调整

4.2.4 粒子群算法的改进

4.3 蚁群和粒子群融合的聚类算法

4.3.1 混合算法的设计思想

4.3.2 混合算法的聚类原理

4.3.3 蚂蚁行为的重新定义

4.3.4 解串的构造

4.3.5 ACPSO算法流程

4.3.6 ACPSO算法的特点

4.4 ACPSO聚类算法的仿真实验和结果分析

4.4.1 实验一：粒子群局部搜索的有效性实验

4.4.2 实验二：保留蚁群算法聚类信息的必要性实验

4.4.3 实验三：IRIS数据集和WINE数据集的聚类实验

4.5 本章小结

第五章 混合算法在WEB用户会话聚类中的应用

5.1 数据预处理

5.1.1 Web日志预处理

5.1.2 会话识别

5.2 会话聚类实验及结果评价

5.3 本章小结

第六章 总结与展望

6.1 本文工作总结

6.2 工作展望

参考文献

攻读硕士学位期间发表的论文