基于詞袋模型的塊數(shù)據(jù)聚類算法研究.pdf

1、在實(shí)際應(yīng)用中，許多數(shù)據(jù)對(duì)象都無(wú)法再簡(jiǎn)單的用單一特征向量描述。例如，描述客戶購(gòu)物行為的數(shù)據(jù)對(duì)象是由多條購(gòu)物記錄組成的，并且不同客戶所購(gòu)商品的數(shù)目也不盡相同。這種由非固定數(shù)目的多個(gè)特征向量所描述的數(shù)據(jù)對(duì)象對(duì)傳統(tǒng)的聚類算法提出了新的挑戰(zhàn)，亟待發(fā)展相應(yīng)的理論與知識(shí)以應(yīng)對(duì)這種新形式對(duì)象的數(shù)據(jù)挖掘問(wèn)題。
　　本文引入塊數(shù)據(jù)對(duì)象的概念，用于定義這種由多個(gè)特征向量描述的對(duì)象，并針對(duì)塊數(shù)據(jù)集的聚類分析方法進(jìn)行了以下兩方面的研究，
　?。?）基

2、于詞袋模型提出了一種塊數(shù)據(jù)對(duì)象的新表示形式，解決了塊數(shù)據(jù)集無(wú)法用傳統(tǒng)聚類算法直接聚類的問(wèn)題。在塊數(shù)據(jù)對(duì)象向新表示形式的轉(zhuǎn)換過(guò)程中，利用DBSCAN算法在塊數(shù)據(jù)集每一維的虛擬對(duì)象數(shù)據(jù)集上進(jìn)行聚類，得到屬性列上虛擬對(duì)象的類分布情況，基于詞袋模型給出了塊數(shù)據(jù)對(duì)象的新表示形式?；趬K數(shù)據(jù)對(duì)象的新表示形式，設(shè)計(jì)了一種面向塊數(shù)據(jù)集的聚類分析算法（BWM-BDC算法），在真實(shí)數(shù)據(jù)上證實(shí)了BWM-BDC算法的有效性和可行性。
　　（2）基于F_L

3、eaders算法提出了一種改進(jìn)BWM-BDC算法時(shí)間效率的方法。在改進(jìn)方法中，首先利用F_Leaders聚類算法對(duì)塊數(shù)據(jù)集每一維的虛擬對(duì)象進(jìn)行基于密度的劃分，并選取中心位置的對(duì)象作為類簇（劃分）的代表對(duì)象，然后利用DBSCAN算法對(duì)每一維上的代表對(duì)象集合進(jìn)行聚類分析，再將代表對(duì)象的類別標(biāo)號(hào)拓展到其所在的類簇中，最終獲得屬性列上所有虛擬對(duì)象的聚類結(jié)果。改進(jìn)方法通過(guò)減少DBSCAN算法的聚類對(duì)象這種方式優(yōu)化算法的運(yùn)行時(shí)間，在Musk數(shù)據(jù)上的