学位论文 > 优秀研究生学位论文题录展示

基于ACO的WEB日志挖掘研究

作　者: 刘清华
导　师: 黄明和
学　校: 江西师范大学
专　业: 管理科学与工程
关键词: web日志挖掘用户浏览模式增量式用户聚类蚁群算法蚁群聚类
分类号: TP393.09
类　型: 硕士论文
年　份: 2011年
下　载: 13次
引　用: 0次
阅　读: 论文下载

内容摘要

互联网己成为人们发布、接受信息和交流的重要平台。据统计99%的web信息相对99%的用户是无用的,所以帮助用户从互联网的信息海洋中发现他们所要查找或者感兴趣的信息,越来越成为业界的研究的热点。各类电子商务站点面临的一个主要的挑战是需要了解客户的兴趣爱好,发现用户访问模式,设计满足不同客户群所需要的个性化站点,这也是每一个商业站点所追求的目标,而使用Web日志挖掘方法能够达到这一目标。本文在上述的背景下,研究基于蚁群优化算法(ACO)的web日志挖掘,所做主要工作如下:(1)利用用户浏览行为与蚁群觅食行为的相似性,提出一个新的概念“兴趣信息素”来反映用户的访问兴趣度,利用访问兴趣度和选择偏爱度设计了基于蚁群算法的群体用户浏览路径挖掘算法。实验结果表明该算法是切实可行的,利用兴趣信息素确实能准确地反映用户浏览模式。(2)在基本蚁群聚类模型基础上,从web用户特征、对象相似度、概率转换函数三个方面对蚁群聚类算法进行了改进,给出了新的蚁群聚类算法(ACCA)。(3)增量式web用户聚类算法是在改进的蚁群聚类算法(ACCA)的基础上提出的,它定义了用户聚类中心,同时引入聚类解体机制和聚类模型维护库,确保增量式蚁群聚类算法能够得到高质量的聚类结果。实验表明,本文提出的增量式蚁群聚类算法在处理大数据量方面克服了原来蚁群聚类算法的可伸缩性不足的缺陷,同时,通过使用聚类模型维护库,使得增量式用户聚类算法在非常少的时间内能够获得高质量的聚类效果。

全文目录

摘要  3-4
Abstract  4-7
第1章绪论  7-12
  1.1 研究背景及意义  7-8
  1.2. Web 日志挖掘研究现状  8-9
  1.3 主要研究内容  9-10
  1.4 本文结构  10-12
第2章 Web 日志挖掘技术  12-22
  2.1 Web 挖掘概述  12-15
    2.1.1 Web 日志挖掘  13
    2.1.2 Web 内容挖掘  13-14
    2.1.3 Web 结构挖掘  14-15
  2.2 Web 日志挖掘流程  15-16
  2.3 Web 日志挖掘算法  16-18
    2.3.1 关联规则  16
    2.3.2 序列模式  16-17
    2.3.3 聚类  17-18
  2.4 Web 日志格式  18-21
  2.5 本章小结  21-22
第3章蚁群算法研究  22-36
  3.1 蚁群算法的起源  22-24
  3.2 基本蚁群算法模型  24-29
    3.2.1 TSP 问题  24
    3.2.2 蚁群算法的数学模型  24-27
    3.2.3 蚁群算法的流程  27-28
    3.2.4 基本蚁群算法的优缺点  28-29
  3.3 蚁群聚类算法分析  29-35
    3.3.1 基于蚁堆形成原理的聚类算法  29-32
    3.3.2 基于蚂蚁觅食行为的聚类算法  32-35
  3.4 本章小结  35-36
第4章基于 ACO 的群体用户浏览模式挖掘  36-49
  4.1 引言  36
  4.2 用户浏览模式研究现状  36-37
  4.3 蚁群算法用于浏览模式挖掘的可行性分析  37-38
  4.4 基于改进的蚁群算法的用户兴趣路径模式挖掘  38-42
    4.4.1 兴趣信息素定义  38-40
    4.4.2 蚁群浏览模型  40-41
    4.4.3 用户兴趣路径挖掘算法  41-42
  4.5 实验过程及结果分析  42-48
    4.5.1 实验数据收集  42
    4.5.2 实验数据预处理  42-47
    4.5.3 实验分析  47-48
  4.6 本章小结  48-49
第5章基于 ACO 的增量式web 用户聚类  49-61
  5.1 引言  49
  5.2 用户聚类研究现状  49-50
  5.3 基于蚁群聚类模型的web 用户聚类  50-55
    5.3.1 web 用户特征表示  50-51
    5.3.2 领域相似函数  51-52
    5.3.3 概率转换函数  52-53
    5.3.4 蚁群聚类算法描述  53-55
  5.4 一种增量式web 用户聚类方法  55-57
    5.4.1 用户聚类中心定义  55
    5.4.2 簇解体机制  55-56
    5.4.3 聚类模型维护库  56
    5.4.4 增量式web 用户聚类算法描述  56-57
  5.5 实验结果分析  57-60
  5.6 本章小结  60-61
第6章总结与展望  61-63
  6.1 总结  61-62
  6.2 展望  62-63
参考文献  63-69
在学期间学术成果情况  69-70
致谢  70

基于ACO的WEB日志挖掘研究

内容摘要

全文目录

相似论文