基于粗糙集和自组织神经网络的web日志挖掘聚类研究

论文摘要

Web日志挖掘是从服务器端纪录的用户访问日志或从用户的浏览信息中抽取感兴趣的模式。利用Web日志挖掘,我们可以知道用户对网站的浏览模式,通过分析这些数据可以帮助理解用户的行为,从而改进站点的结构或为用户提供个性化的服务。本文采用聚类分析的方法对用户进行聚类,按照一个类别的用户具有相同兴趣的原则,为用户提供个性化服务。本文使用自组织神经网络和粗糙集进行聚类分析。自组织神经网络具有一定的拓扑结构,依靠多个神经元间的协同作用完成模式识别。自组织神经网络在学习过程中采取竞争机制,选取唯一神经元获胜,然后实际情况是可能有一组神经元都非常匹配输入向量。针对这一不精确性,本文引入了粗糙集的上近似与下近似的概念来解决这一问题。基于粗糙集的自组织神经网络很好的解决了判断获胜神经元的不确定性,首先选取唯一获胜神经元,然后选取次获胜神经元。如果次获胜神经元不为空,则将次获胜神经元与唯一获胜神经元的并集作为获胜神经元,并对不同情况采用不同的学习方法。经过训练的神经网络最终应用于模式识别阶段。传统的聚类方法只能将每个用户聚类至一个类别,即假设一个用户只有一种偏好,却忽略了用户有多种偏好的情况。本文提出的基于粗糙集的自组织神经网络能够解决这一问题,利用不精确的概念,将用户分至一个或一个以上类别,提取用户的多兴趣。本文最后将基于粗糙集的自组织神经网络日志挖掘方法与传统的方法进行测试比较。实验证明,该方法在学习阶段和应用阶段都有较好的结果。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 论文的研究背景和选题意义
• 1.1.1 选题背景
• 1.1.2 选题意义
• 1.2 国内外研究现状
• 1.3 论文的工作和组织结构
• 1.3.1 工作内容
• 1.3.2 组织结构
• 第2章 Web日志挖掘
• 2.1 Web挖掘
• 2.1.1 Web挖掘概述
• 2.1.2 Web内容挖掘
• 2.1.3 Web结构挖掘
• 2.1.4 Web日志挖掘
• 2.2 Web日志挖掘基础知识
• 2.2.1 Web日志名词解释
• 2.2.2 Web日志格式
• 2.3 Web日志挖掘流程
• 2.3.1 数据收集
• 2.3.2 数据预处理
• 2.3.3 模式发现
• 2.3.4 模式分析及可视化
• 2.4 聚类分析
• 2.4.1 聚类分析概述
• 2.4.2 聚类分析分类
• 2.5 本章小结
• 第3章 粗糙集理论与人工神经网络
• 3.1 粗糙集理论
• 3.1.1 近似空间、不可区分关系与知识库
• 3.1.2 上下近似集
• 3.1.3 粗糙集的特征
• 3.2 人工神经网络
• 3.2.1 人工神经元模型
• 3.2.2 人工神经网络学习算法
• 3.3 自组织神经网络
• 3.3.1 自组织神经网络模型
• 3.3.2 自组织神经网络原理和学习方法
• 3.3.3 自组织神经网络优缺点
• 3.4 本章小结
• 第4章 基于粗糙集和自组织神经网络的Web日志挖掘设计
• 4.1 基于粗糙集的自组织神经网络
• 4.1.1 基于粗糙集的自组织神经网络模型
• 4.1.2 基于粗糙集的自组织神经网络原理与学习算法
• 4.2 总体设计
• 4.3 数据预处理
• 4.4 训练阶段
• 4.4.1 自组织神经网络训练
• 4.4.2 粗糙自组织神经网络训练
• 4.5 应用阶段
• 4.6 小结
• 第5章 性能测试及结果分析
• 5.1 实验平台搭建
• 5.1.1 实验基本条件
• 5.1.2 实验输入参数
• 5.1.3 实验评估参数
• 5.2 实验程序性能测试
• 5.3 小结
• 第6章 结论与展望
• 6.1 全文总结
• 6.2 工作展望
• 致谢
• 参考文献
• 攻读学位期间的研究成果