基于潛在語義索引和免疫學習的BIRCH聚類算法研究.pdf

1、網(wǎng)絡已經(jīng)發(fā)展成為人們生活的重要部分，網(wǎng)絡上存儲的信息是海量的，而且處于不斷變化中。網(wǎng)絡用戶期望得到個性化的服務，網(wǎng)絡服務端需要為其推出個性化服務提供決策參考，用戶興趣挖掘技術(shù)也就應運而生了。
　　用戶興趣挖掘技術(shù)對用戶的興趣進行有效地記錄、分析，并圍繞著描述用戶興趣的計算模型開發(fā)應用?？紤]建立用戶興趣模型的可用性及準確度，我們選擇隱式建模方式，即不需要用戶中斷網(wǎng)絡瀏覽過程，通過收集反映用戶興趣的信息來建立用戶模型，推斷用戶的興趣。

2、本文采用記錄了用戶的搜索和訪問等信息的日志文件。處理過程主要分為三個階段：預處理、用戶興趣建模、應用。
　　為了更好地處理大量的，并且增量式加入的網(wǎng)絡文檔，系統(tǒng)的主要建模技術(shù)采用了處理時間為線性的BIRCH聚類。經(jīng)過日志過濾、正文抽取等預處理之后，采用傳統(tǒng)的向量空間模型的網(wǎng)絡文檔的文本表示特征往往呈現(xiàn)出高維而且稀疏的特點，本文提出了加入改進的潛在語義索引處理，對比實驗證明，處理時間明顯地縮短，恰當?shù)剡x擇BIRCH參數(shù)以及LSI中的

3、k值，能夠得到適應所用數(shù)據(jù)和應用領域的更好的聚類結(jié)果。驗證了潛在語義索引技術(shù)可以在保留主要語義結(jié)構(gòu)的基礎上降低文本表示的維數(shù)，在形成的潛在語義空間中提取最有意義的維度作為特征表示。
　　有效性度量是評價結(jié)果的關(guān)鍵，其中有效性函數(shù)的選擇是一個關(guān)系到判定效果的關(guān)鍵。針對不同的數(shù)據(jù)，BIRCH聚類需要找到優(yōu)化的參數(shù)才能得到更好的結(jié)果。本文研究了人工免疫網(wǎng)絡算法，探索將其自適應機制引入BIRCH聚類的參數(shù)調(diào)節(jié)優(yōu)化過程中，根據(jù)調(diào)節(jié)得到的參數(shù)