融入簇存在強(qiáng)度的商業(yè)數(shù)據(jù)流聚類及漂移檢測模型研究.pdf

1、融入簇存在強(qiáng)度的商qk數(shù)據(jù)流聚類及漂移檢測模型研究融入簇存在強(qiáng)度的商業(yè)數(shù)據(jù)流聚類及漂移檢測模型研究摘要隨著網(wǎng)絡(luò)化信息技術(shù)的廣泛應(yīng)用，大量商業(yè)數(shù)據(jù)流隨之涌現(xiàn)，并以幾何方式保持增長，具有海量性、動(dòng)態(tài)性、不確定性、漂移性、噪聲性等特點(diǎn)，隱含著大量有價(jià)值的信息。由于數(shù)據(jù)收集不完全、軟硬件環(huán)境、傳輸狀況等因素的影響，導(dǎo)致大量數(shù)據(jù)流的信息不完全，其數(shù)據(jù)的真實(shí)性是具有一定的概率的。同時(shí)，數(shù)據(jù)流的動(dòng)態(tài)性、漂移性使得目標(biāo)概念隨著時(shí)間、季節(jié)或其他因素的影響

2、而發(fā)生改變，甚至發(fā)生根本性的改變，即發(fā)生了漂移現(xiàn)象，使得原有的挖掘結(jié)果不再滿足新的用戶需求。因此，針對(duì)不確定數(shù)據(jù)流如何進(jìn)行快速有效的聚類，并及時(shí)準(zhǔn)確地檢測、分析和預(yù)測漂移的變化，從而更好地為用戶提供個(gè)性化服務(wù)己成為一個(gè)研究熱點(diǎn)。基于以上問題，本文提出了一種融入簇存在強(qiáng)度的數(shù)據(jù)流聚類及漂移檢測模型，主要研究內(nèi)容包括以下幾個(gè)方面：第一，針對(duì)不確定的商業(yè)數(shù)據(jù)流，本文提出了一個(gè)融入不確定性的Web用戶分析模型。模型由數(shù)據(jù)預(yù)處理層、聚類層、關(guān)聯(lián)規(guī)

3、則層和漂移檢測層四個(gè)層次組成：第一層，對(duì)用戶的背景數(shù)據(jù)和行為數(shù)據(jù)進(jìn)行用戶特征信息的提取及預(yù)處理；第二層，基于用戶興趣的用戶聚類，對(duì)用戶行為進(jìn)行細(xì)分，將用戶聚類成多個(gè)用戶群；第三層，利用關(guān)聯(lián)規(guī)則挖掘用戶行為規(guī)則，得到用戶行為規(guī)則庫：第四層，將情境融入簇存在強(qiáng)度的商業(yè)數(shù)據(jù)流聚類及漂移檢測模型研究RESEARCHONCLUSTERINGANDDRIFTDETECTINGMODELINCOMMERCIALDATASTREAMSBASEDON耿珞

4、刪旺舛剛叩腫K叫舛了嘲嬲ABSTRACTWiththeextensiveapplicationofnetworkinformationtechnology，alargenumberofWebdatastreamareemergingandkeepinggrowinggeometrically，withthecharacteristicsofmassive，dynamic，uncertain，driftandnoise，andimplie

5、salotofvaluableinformationDuetotheimpactofincompletedatacollection，softwareandhardwareenvironment，transportconditionsandotherfactors，theinformationindatastreamareoftenincomplete，andtheauthenticityofthedatahasacertainprob

6、abilityMeanwhile，thedynamicanddriftcharacteristicsofdatastreamsmakethetargetconceptchangesgraduallywithtime，seasonsorotherfactors，evenradicalchangeThatis，thedriftisoccurring，SOthattheoriginalminingresultsnolongermeetnewn