学位论文 > 优秀研究生学位论文题录展示

基于模糊聚类的自组织神经网络的用户模式挖掘算法研究

作　者: 张旭
导　师: 段隆振
学　校: 南昌大学
专　业: 计算机应用技术
关键词: 用户模式挖掘隶属度自组织神经网络合并聚类
分类号: TP311.13
类　型: 硕士论文
年　份: 2012年
下　载: 82次
引　用: 0次
阅　读: 论文下载

内容摘要

目前,兴起的个性化信息推荐技术已经成为当前Web使用挖掘的热门领域之一。个性化信息推荐是根据Web用户浏览站点的Web日志以及其他用户的相关信息,推测其喜好和兴趣,并为其提供个性化信息服务。本文主要研究个性化推荐过程中的用户聚类算法,对Web日志进行分析从而获取用户的多种兴趣。本文提出基于聚类中心集的合并聚类算法来确定样本集的聚类数目。采用了自组织神经网络作为实施算法,预设一个较大的聚类数目进行网络学习和训练,得到聚类中心集。利用该算法对聚类中心集进行合并操作,利用夹角余弦公式计算各聚类中心的相似度,构建评价函数来判断聚类中心是否可以满足合并的要求,最后根据样本隶属聚类中心的隶属度的分布是否均匀来合并聚类中心集,从而得到样本集的新的聚类中心集和聚类数目。本文将模糊C均值聚类算法应用于自组织神经网络的拓扑结构,提出一个模糊聚类神经网络。利用自组织神经网络的拓扑结构和强大的训练学习能力,能够有效解决模糊C均值聚类中大数据量运算缓慢和中心权值初始化等一些问题；同时,模糊C均值聚类在处理复杂问题上,为其增加模糊的特性,对聚类效果有明显的改进,并且可以挖掘用户的多兴趣。在模糊聚类神经网络的应用阶段,竞争模糊层的神经元权值设置为之前训练阶段的权值,并保持稳定,不再进行更新调整。根据隶属度函数更新每个输入样本到输出神经元的隶属度。学习率根据隶属度进行自适应的调整,避免对邻域的选择与调整。最后根据隶属度的分布特征,设定输出阈值,若输入样本到某一输出神经元的隶属度大于该阂值,则输出该神经元所对应的类别信息。最后,利用本文设计的挖掘模型对预处理后的数据进行训练,使该模型能够自动聚类。然后随机从输入样本中抽取数据,对模型的性能进行测试和评估,实验证明,改进后的模糊聚类神经网络聚类效果明显,能准确刻画出用户的模糊特性,即用户的多种兴趣和喜好。

全文目录

摘要  3-4
ABSTRACT  4-9
第1章引言  9-14
  1.1 论文的研究背景和意义  9-10
    1.1.1 研究背景  9-10
    1.1.2 选题意义  10
  1.2 国内外研究现状  10-12
    1.2.1 国外的研究现状  10-11
    1.2.2 国内的研究现状  11-12
  1.3 论文的主要内容  12-13
  1.4 论文的组织结构  13-14
第2章 Web用户模式挖掘理论基础  14-22
  2.1 Web挖掘  14-16
    2.1.1 Web挖掘定义  14
    2.1.2 Web挖掘的复杂性  14
    2.1.3 Web挖掘的分类  14-16
  2.2 Web使用挖掘  16-18
    2.2.1 Web日志挖掘简介  16
    2.2.2 Web日志挖掘的预处理流程  16-17
    2.2.3 Web日志挖掘中常用技术  17-18
  2.3 聚类分析基本理论  18-21
    2.3.1 聚类分析基本概念  19
    2.3.2 聚类方法介绍  19-20
    2.3.3 聚类分析中的相似性度量  20-21
    2.3.4 聚类算法面临的主要问题  21
  2.4 小结  21-22
第3章模糊聚类和自组织神经网络  22-27
  3.1 模糊聚类  22-24
    3.1.1 模糊聚类FCM算法介绍  22-23
    3.1.2 模糊聚类FCM算法分析  23-24
  3.2 自组织神经网络  24-26
    3.2.1 自组织特征映射神经网络(SOM)的介绍  24
    3.2.2 自组织特征映射神经网络(SOM)的原理和算法  24-25
    3.2.3 自组织特征映射神经网络(SOM)的分析  25-26
  3.3 小结  26-27
第4章基于模糊聚类和自组织神经网络的Web用户模式挖掘设计  27-37
  4.1 Web用户聚类  27-30
    4.1.1 用户网站访问序列相似度  27-28
    4.1.2 用户兴趣主题的特征向量  28-29
    4.1.3 用户相似度计算  29
    4.1.4 聚类数目确定  29-30
  4.2 基于模糊C均值聚类的自组织神经网络  30-34
    4.2.1 基于模糊C均值聚类的自组织神经网络结构  30-31
    4.2.2 基于模糊C均值聚类的自组织神经网络的原理  31-32
    4.2.3 基于模糊C均值聚类的自组织神经网络的算法  32-33
    4.2.4 基于模糊C均值聚类的自组织神经网络的算法分析  33-34
  4.3 Web用户模式挖掘模型的设计  34-35
  4.4 小结  35-37
第5章基于模糊聚类和自组织神经网络的Web用户模式挖掘实现及分析  37-52
  5.0 实验平台搭建  37-38
    5.0.1 实验环境  37
    5.0.2 实验评估参数  37-38
  5.1 数据预处理  38-41
    5.1.1 数据集介绍  38-39
    5.1.2 数据预处理  39-41
  5.2 Web用户模式挖掘模型的实现  41-49
    5.2.1 学习训练阶段  41-47
    5.2.2 应用阶段  47-49
  5.3 基于改进前后的自组织神经网络算法的对比  49-51
    5.3.1 训练误差对比  49-50
    5.3.2 聚类结果对比  50-51
  5.4 小结  51-52
第6章结论与展望  52-54
  6.1 结论  52-53
  6.2 展望  53-54
致谢  54-55
参考文献  55-58
攻读学位期间的研究成果  58

基于模糊聚类的自组织神经网络的用户模式挖掘算法研究

内容摘要

全文目录

相似论文