復(fù)雜數(shù)據(jù)分類方法及其在個性化推薦系統(tǒng)中的應(yīng)用.pdf

1、隨著信息技術(shù)的飛速發(fā)展,人們已經(jīng)累積了海量的數(shù)據(jù),并且數(shù)據(jù)量仍在持續(xù)地呈指數(shù)增長趨勢快速膨脹。為有效開發(fā)和利用這些數(shù)據(jù),支持社會、經(jīng)濟、生活所需,以數(shù)據(jù)挖掘為代表的商務(wù)智能技術(shù)得到了廣泛的應(yīng)用。分類已經(jīng)成為數(shù)據(jù)挖掘中應(yīng)用最為普遍的方法。隨著商務(wù)智能在管理中的應(yīng)用普及,面向海量、高維等復(fù)雜數(shù)據(jù)的高性能分類方法,已成為數(shù)據(jù)挖掘、知識發(fā)現(xiàn)領(lǐng)域中的熱點及難點問題。本文針對數(shù)據(jù)挖掘中的復(fù)雜數(shù)據(jù)分類問題,對基于關(guān)聯(lián)分析和子空間劃分的分類方法展開了進

2、一步的研究。
　　第一,針對商務(wù)數(shù)據(jù)規(guī)模普遍較大的特征,提出了一個基于關(guān)聯(lián)分析的關(guān)聯(lián)分類方法。首先,定義了一種新的分類規(guī)則度量標準——典型性(Typicality),該標準綜合考慮了規(guī)則的覆蓋度及置信度,有效避免了傳統(tǒng)支持度-置信度度量框架下無效規(guī)則的產(chǎn)生。其次,提出了一個三階段的規(guī)則剪枝策略,在保持分類準確率的前提下能夠有效縮小分類器的規(guī)模。UCI數(shù)據(jù)集上的實驗結(jié)果表明,本文提出的關(guān)聯(lián)分類方法在顯著降低分類器復(fù)雜性的同時,也獲得

3、了更好的分類準確率。
　　第二,關(guān)聯(lián)分類方法能夠很好地處理大部分分類問題,然而在處理具有高維屬性特征的數(shù)據(jù)庫時具有一定的局限性。針對商務(wù)數(shù)據(jù)中的高維數(shù)據(jù)挖掘問題,提出了一個基于核Fisher鑒別分析的子空間分類方法。該算法結(jié)合了頻繁模式挖掘和核Fisher特征抽取技術(shù)來尋找所有子空間,利用分治策略將大樣本的分類問題轉(zhuǎn)換成一系列小樣本的子空間分類問題,再通過特征抽取技術(shù)進行降維,從而大大降低了問題的復(fù)雜性。實驗結(jié)果顯表明,本文提出的