基于蚁群算法与k-means算法相结合的web用户聚类

《基于蚁群算法与k-means算法相结合的web用户聚类》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、情报学报!""#$%%%&%$’(,-./#01-234564!#0"-6!5372-/"6!5#3!2!60#83564#!601!#2-/903!-#!""#$%%%&%$’(第)*卷第$期$%(&$%*，)%%+年)月:;<=)*#;=$，$%(&$%*2>?@AB@C)%%+!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!$）基于蚁群算法与!!"#$%&算法相结合的’#(用户聚类凌海峰刘业政杨善林（合肥工业大学管理学院，合肥)’%%%+）摘要E>?用户聚类是指用聚

2、类算法产生用户会话的聚类，是电子商务中的一个重要问题。该问题的难度在于有成千上万的会话需要聚类，而且每个会话都可描述为一个高维向量。此外，该问题就聚类的数目而言具有指数的复杂性，是一个#QF难的问题。本文提出一种新的聚类方法，该方法将蚁群算法与!FG>BKR算法相结合对用户会话进行优化聚类。实验结果表明，与!FG>BKR算法相比，该方法在E>?导航推荐的应用中具有更好的性能。关键词E>?使用挖掘蚁群优化E>?用户聚类E>?导航推荐电子商务)%*%+#,-$+./%/0)%+1/2/%345+.".6$+./%$%78!"#$%&0/-’#(9&#-

3、&12:&+#-.%,1HKL4BHJ>KL，1HA7>SI>KLBKT7BKL"IBK?AR>@O@HKLHRBKHGV;@UBKUHRRA>HK5FO;GG>@O>=3I>O@HKLBBU>O@R;JAR>@R>RRH;KR=3IHRV@;?<>GHRTHJJHOAOBAR>UI;ARBKTR;JR>RRH;KRGBCIBW>U;

4、?>O@>T，BKTBOBAR>>BOIR>RRH;KHRT>RO@H?>TJ;@HKRUBKO>BRBW>OU;@XHUIIHLITHG>KRH;KB;W>@，UIHRV@;?<>GV;RR>RR>R>YV;K>KUHBYHUCHKU>@GR;JKAG?>@;JO@RBKT?>O;G>BK#QFIB@TV@;?<>G=3IHRVBV>@V@>R>KURBK;W>UI;T;<;LCO;G?HKHKLBKUO;<;KC;VUHGHSBUH;KXHUIZFG>BKRJ;@;VUHGB<

5、@HKLAR>@R>RRH;KR=5YV>@HG>KUB<@>RAUU>@UIBKARHKL;KBKRHKUI>BVV?KBWHLBUH;K@>O;GG>KTBUH;K=8#3?ARBL>GHKHKL，BKUO;<;KC;VUHGHSBUH;K，E>?AR>@O@HKL，E>?KBWHLBUH;K@>O;GG>KTBUH;K，5FO;GG>@O>市场细分是非常有用的；而页面聚类则是将内容相$引言关的网页分组，适用于网站的自

6、适应。我们探索的问题是基于向量分析的用户聚类问E>?使用挖掘用于对用户访问网站时行为的分题。该问题的难度在于有成千上万的会话需要聚［$］析和理解。目前，E>?使用挖掘在有效的站点管类，而且每个会话都可描述为一个高维向量。此外，理、建立自适应站点、商业及支持服务、个性化、网络该问题就聚类数目而言具有指数的复杂性，是一个［)］交通流分析等领域日益显示出极端的重要性。聚#QF难的问题。在E>?使用挖掘中最早使用的聚类［’］［(］类是E>?使用挖掘中最经常使用的方法。聚类方法是由7BK等提出的划分方法。在该项工作方法是用来将具有相似浏览行为的用户分组，或者

7、中，使用1>BT>@算法将用户会话聚类，虽然结果计算［P］将具有相似内容的网页分组。将具有相似浏览模很快，但该方法的问题在于聚类的结果取决于输入［N］式的用户分组称之为用户聚类，对于电子商务中的向量的显示顺序。4>>@和6IH提出了EBW>J@;KU算收稿日期：)%%D年+月)+日作者简介：凌海峰，男，$+D$年生，副教授，在职博士生，研究方向：电子商务、E>?挖掘。5FGBH<：IJ

8、家自然科学基金项目（#;=D%ND)%+D）的资助。万方数据—$%(—情报学报第/B卷第1期/99C年/月法用来改进!!"