序列模式挖掘方法及Web使用挖掘研究.pdf

1、序列模式挖掘針對(duì)序列數(shù)據(jù)庫(kù)，致力于發(fā)現(xiàn)序列事件之間的關(guān)系，找到事件發(fā)生存在的特定順序。序列模式挖掘是關(guān)聯(lián)規(guī)則挖掘的推廣，有著廣泛的應(yīng)用價(jià)值，例如顧客購(gòu)買行為分析、Web訪問(wèn)模式分析、科學(xué)實(shí)驗(yàn)分析、疾病治療早期診斷、自然災(zāi)害預(yù)測(cè)、DNA序列模式分析等。近年來(lái)，序列模式挖掘有了長(zhǎng)足的發(fā)展，仍然存在許多問(wèn)題，比如：算法復(fù)雜度過(guò)高，對(duì)大數(shù)據(jù)集效率低，適應(yīng)性較差等。本文應(yīng)用數(shù)據(jù)挖掘、遺傳算法的理論和方法，重點(diǎn)研究了序列模式挖掘方法及在Web使用挖

2、掘領(lǐng)域的應(yīng)用。主要的研究?jī)?nèi)容和創(chuàng)新性工作包括：
　　 首先，介紹了數(shù)據(jù)挖掘的概念和發(fā)展情況，評(píng)述了數(shù)據(jù)挖掘的各種技術(shù)，面向不同數(shù)據(jù)類型的挖掘方法。分析了數(shù)據(jù)挖掘中的聚類技術(shù)，聚類的基本理論和方法、算法，以及聚類的詳細(xì)過(guò)程。
　　 其次，針對(duì)k-means聚類算法對(duì)噪音數(shù)據(jù)敏感、易收斂到局部極值點(diǎn)、需要人為確定聚類的數(shù)目等不足，提出了結(jié)合k-medoids方法的遺傳算法聚類方法--GKMD算法。GKMD算法將聚類個(gè)數(shù)引入到

3、適應(yīng)值函數(shù)中，設(shè)計(jì)了包含聚類個(gè)數(shù)和類中心位置的統(tǒng)一編碼及相應(yīng)的交叉與變異算子，使遺傳算法在進(jìn)化的過(guò)程中自動(dòng)確定最優(yōu)的聚類個(gè)數(shù)。同時(shí)，在算法中嵌入了一種有效的啟發(fā)式搜索方法，使得整個(gè)GKMD算法兼?zhèn)淞溯^好的全局搜索能力和局部搜索能力。實(shí)驗(yàn)表明，GKMD算法顯著地改進(jìn)了對(duì)包含噪音和異常點(diǎn)的數(shù)據(jù)進(jìn)行聚類的魯棒性，并能夠在保證較高聚類準(zhǔn)確率的基礎(chǔ)上準(zhǔn)確地確定聚類數(shù)目，為后面章節(jié)中確定聚類的數(shù)目奠定了基礎(chǔ)。
　　 第三，提出了一種新的結(jié)合

4、聚類的兩階段序列模式挖掘方法。第一階段用k-medoids算法將序列數(shù)據(jù)聚類到不同的群組，設(shè)計(jì)了一種n元組結(jié)構(gòu)的序列模表示方法，可以減少序列的維數(shù)，并提出了一種新的序列模式相似度計(jì)算方法SMCS，能夠捕捉序列模式更多的信息，更加準(zhǔn)確的計(jì)算相似度。第二階段用層云表展示每一個(gè)聚類，提供了更多的普通序列模式挖掘方法不能提供的信息，如轉(zhuǎn)換的頻率等，用于輔助顯著模式發(fā)現(xiàn)和快速抽取。
　　 第四，將提出的序列模式挖掘方法進(jìn)行了擴(kuò)展并運(yùn)用到W

5、eb使用挖掘中。分析了與Web用戶興趣行為密切相關(guān)的各種因素，給出了Web會(huì)話的語(yǔ)義本體表示，提出了一種更為準(zhǔn)確的計(jì)算語(yǔ)義會(huì)話之間的相似度的方法SMSCP。分別采用分割式k-medoids方法和層次式Single link方法，進(jìn)行序列模式挖掘過(guò)程中的Web會(huì)話的聚類，并應(yīng)用層云表展示W(wǎng)eb使用挖掘的聚類結(jié)果。通過(guò)不同的聚類算法以及性能評(píng)價(jià)指標(biāo)，在特定的數(shù)據(jù)集與其它相似度計(jì)算指標(biāo)進(jìn)行了比較，驗(yàn)證了SMSCP的性能。在驗(yàn)證的過(guò)程中，我們使