基于遗传算法的Web用户聚类模型的研究

论文摘要

Web日志挖掘作为Web挖掘的一个重要组成部分,包含了大量的用户访问信息,对之进行分析,从中挖掘出用户的行为模式,有着重要的理论和实践意义。Web日志挖掘的方法主要有三种:聚类分析、关联分析、序列分析,其中,聚类分析方法适合挖掘具有噪音和不完整数据的大量数据集,因此它在用户行为模式分析中起着重要的作用。在聚类分析中,K均值算法是应用较为广泛的一种算法,但是它的缺点是对初始值非常敏感而且容易陷入局部极小值,因此本文引入遗传算法,将遗传算法与K均值算法进行整合,充分发挥遗传算法启发式全局寻优的计算优势,寻求最优聚类。本文所述系统首先根据网站的拓扑结构对页面进行编码,在编码中存储了页面的层次关系及其类属关系,有助于提高了Web用户的聚类质量。然后以编码为基础根据Web日志得到一组用户行为访问向量,并改进了一个基于遗传算法的Web用户聚类模型WUGC(Web User Genetic Clustering),以实现对Web用户的聚类分析。WUGC以遗传算法为基础,在聚类过程中利用个体间的选择、交叉、变异操作,保留适应度高的个体并使之进化,直至得到最优的聚类结果。这种算法对初始聚类中心和样本输入次序可以不做要求,从而避免了K均值算法的对初始值敏感而且容易陷入局部极小值的问题。最后,系统设计了一个实验平台,分别采用K均值算法和WUGC模型对Web用户进行聚类分析,并对实验结果进行比较。结果表明:新方法在聚类问题中得到的结果要优于传统K均值聚类方法,但是由于用到了遗传操作,聚类速度相对K均值方法要慢一些。

论文目录

• 摘要
• Abstract
• 第一章 引言
• 1.1 研究背景、目的和意义
• 1.2 研究动态与发展趋势
• 1.3 本文的主要研究工作和创新之处
• 1.4 论文内容的组织和结构
• 第二章 Web 行为挖掘和WUGC 模型相关理论综述
• 2.1 Web 行为挖掘和个性化服务描述
• 2.1.1 Web 挖掘简介
• 2.1.2 Web 行为挖掘的一般过程
• 2.1.3 Web 行为挖掘个性化服务
• 2.2 WUGC 模型相关理论综述
• 2.2.1 遗传算法的工作原理
• 2.2.2 聚类分析算法的工作原理
• 2.2.3 WUGC 的工作原理
• 2.3 小结
• 第三章 WUGC 模型的研究与实现
• 3.1 WUGC 模型的提出
• 3.1.1 WUGC 模型综述
• 3.1.2 存在的问题
• 3.1.3 模型的提出
• 3.2 WUGC 模型的描述
• 3.2.1 模型的总体描述
• 3.2.2 Web 用户访问路径信息采集
• 3.2.3 群体初始化
• 3.2.4 种群质心的计算
• 3.2.5 评估值和适应度的计算
• 3.2.6 最优个体评估
• 3.2.7 遗传算子的操作
• 3.2.8 结果输出
• 3.3 WUGC 模型的实现
• 3.3.1 数据库的定义
• 3.3.2 模型的总体设计
• 3.3.3 模型各个模块的实现
• 3.4 小结
• 第四章 实验数据分析
• 4.1 Web 用户聚类分析实验平台的设计与实现
• 4.1.1 开发环境
• 4.1.2 Web 用户聚类分析实验平台的结构
• 4.2 实验分析
• 4.2.1 数据准备
• 4.2.2 实验过程及结果分析
• 4.3 小结
• 第五章 结论与展望
• 5.1 论文的主要工作
• 5.2 进一步努力的方向
• 参考文献
• 发表论文和科研情况说明
• 致谢