基于粗糙集和模糊聚類的Web日志增量式挖掘研究.pdf

1、目前隨著互聯網的蓬勃發(fā)展，尤其是電子商務的發(fā)展為越來越多的用戶提供了Web服務。網民的選擇增多，對網絡服務的需求趨于理性和多樣化，這為Web挖掘的發(fā)展提供了現實基礎。對客戶的群體行為進行分析，以獲取在用戶行為中反映出來的用戶興趣。對用戶興趣進行分析，改進Web站點結構，在競爭中占據有利地位，成為眾多Web服務供應商急需解決的問題。
　　 所謂Web日志挖掘，是從存儲在Web服務器中的日志數據中發(fā)現人們感興趣的知識的過程。目前許多

2、研究都集中在Web使用模式的挖掘上，旨在通過分析Web用戶的行為模式，來發(fā)現用戶的興趣度，從而通過改進站點結構的方法來提高站點的吸引力。這種挖掘模式具有模糊性，傳統(tǒng)的數學理論不足以完成這一任務，因此采用了模糊聚類和粗糙集的相關知識。
　　 本文將基于密度的DBSCAN算法與傳統(tǒng)的SOFM網絡相結合，提出了一種基于SOFM網絡的增量式聚類算法。SOFM網絡的特點就是適用于高維數據的聚類、自組織學習和訓練能力強等，非常適合用于Web

3、日志的挖掘。然而由于Web站點的訪問需要表現出用戶的多興趣，而且隨著用戶興趣的漂移，理應對聚類結果做出相應的改變，這一點是傳統(tǒng)的SOFM網絡無法解決的。針對這些問題，把DBSCAN算法與SOFM網絡相結合，DBSCAN算法的特點在于可以用于發(fā)現任何形狀的簇，對聚類的變化敏感，因此隨著數據集規(guī)模的增量變化，這種算法可以發(fā)現用戶興趣的漂移。通過大量的樣本數據對改進后的SOFM網絡進行訓練，使得參數和權值趨于穩(wěn)定，為網絡應用階段做好準備。

4、r>　　 在網絡應用階段，把各參數和輸出神經元的權值設置為訓練之后的值，不再變化。對輸入模式進行聚類，然后通過隸屬函數更新輸入模式的隸屬度。對于大于隸屬度閾值的神經元，進行輸出。
　　 最后，本文設計了仿真實驗。對某新聞網站的服務器日志數據進行了聚類，并進行了分析。這個模型與傳統(tǒng)的聚類方法不同，具有增量式聚類的能力。首先用樣本數據進行網絡的訓練，然后再對測試數據進行聚類。最后的實驗結果從訓練誤差和聚類結果兩方面進行了對比，實驗