數(shù)據(jù)挖掘中增量聚類算法的研究.pdf

1、數(shù)據(jù)挖掘技術(shù)領(lǐng)域中一項(xiàng)重要的數(shù)據(jù)分析技術(shù)——聚類分析技術(shù)在許多重要方面都得到了廣泛的應(yīng)用，近年來得到了廣泛的研究，并取得了較快的發(fā)展。其實(shí)，聚類問題實(shí)質(zhì)上是把待處理的原始樣本數(shù)據(jù)對(duì)象通過某種相似性準(zhǔn)則函數(shù)被分為若干類，想要達(dá)到的結(jié)果就是同一組相似性盡可能高，不同組之間差異性盡可能大，然后在這些不同組之間尋找聯(lián)系，進(jìn)行進(jìn)一步的操作。目前研究的聚類分析大致可以分為：劃分聚類(Partitioning clustering)、層次聚類(Hie

2、rarchical clustering)、網(wǎng)格聚類(Grid-based clustering)、密度聚類(Density clustering)、模糊聚類(Fuzzy Clustering Algorithm)、模型聚類(Model clustering)等。
　　聚類K-means方法是一種基于分割的聚類算法，由于其易于實(shí)現(xiàn)，易于操作，簡(jiǎn)單高效，被廣大研究學(xué)者廣泛用于研究。但也有一些缺陷，K-means方法在選取初始中心進(jìn)行

3、聚類時(shí)采取的是隨機(jī)選取的形式，這就使得聚類結(jié)果將遵循初始中心選擇變化，因此，本文在K-means方法的基礎(chǔ)之上，針對(duì)K-means方法存在的不足之處進(jìn)行了鉆研與應(yīng)用，主要的鉆研有以下幾個(gè)方面：
　　1．對(duì)于傳統(tǒng)的K-means方法進(jìn)行了探討，針對(duì)傳統(tǒng)K-means聚類算法初始聚類中心隨機(jī)選取的缺陷進(jìn)行改進(jìn)，本文根據(jù)KD-樹這種高效的數(shù)據(jù)結(jié)構(gòu)對(duì)K-means方法進(jìn)行改進(jìn)提出了優(yōu)化中心選取的新方法。該方法引入KD-樹這種數(shù)據(jù)結(jié)構(gòu)，將數(shù)

4、據(jù)集建立KD-樹，通過對(duì)KD-樹中矩形單元的分割、計(jì)算、排序等操作，選取出能夠表示樣本數(shù)據(jù)分布形態(tài)的k個(gè)非噪聲點(diǎn)的初始聚類中心；根據(jù)上述提出的算法，結(jié)合優(yōu)化選取的k個(gè)代表樣本數(shù)據(jù)空間分布形態(tài)的初始聚類中心和增量數(shù)據(jù)建立新的KD-樹，通過近鄰搜索將增量數(shù)據(jù)劃分到對(duì)應(yīng)的類中，完成增量數(shù)據(jù)的動(dòng)態(tài)聚類過程。
　　2．傳統(tǒng)協(xié)同過濾算法應(yīng)用的樣本數(shù)據(jù)空間都會(huì)轉(zhuǎn)化為用戶-項(xiàng)目評(píng)分矩陣，但是矩陣中會(huì)出現(xiàn)“0”值或是空值，使得轉(zhuǎn)化后的評(píng)分矩陣數(shù)據(jù)稀

5、疏，本文中提出的算法機(jī)制是結(jié)合了聚類分析的技術(shù)和協(xié)同過濾的技術(shù)同時(shí)產(chǎn)生商品推薦。其中主要是在聚類分析算法中選擇了K-means方法進(jìn)行了研究與使用，K-means方法存在一個(gè)最典型的缺陷就是聚類初始階段隨機(jī)選取中心點(diǎn)，本文的新方法先是利用Kruskal最小生成樹算法改進(jìn)K-means的不足，提出了一種Kruskal改進(jìn)的K-means聚類方法—KrusK-means算法。接下來在協(xié)同過濾推薦機(jī)制中同時(shí)利用KrusK-means算法對(duì)項(xiàng)目