基于变精度粗糙集的Web用户聚类方法.pdf

文档介绍：第 36 卷 第 3 期 计 算 机 工 程 2010 年 2 月
V o 内容长度等，进而得到用户原始的登录信息矩阵：
计算方法。在硬聚类方法中，根据相似度将对象划分到不同 ⎛⎞Infor(1,1) K Infor(1, n )
⎜⎟
的聚类中，不同的聚类之间没有交集。在软聚类方法中， AccessRmn× = ⎜⎟MOM
⎜⎟
一个对象可以被分配到 2 个或者 2 个以上的聚类中。软聚类 ⎝⎠Infor(,1) mL Infor (,) m n
可能具有模糊或粗糙的边界域。在模糊聚类方法中，通过隶 其中，矩阵的行数 m 代表用户数；矩阵的列数 n 代表网页数；
属函数刻画对象的特征，需要专门的领域知识来定义模糊隶 Infor(, i j )表示第 i 个用户useri 浏览第 j 个网页 page j 时的统计
属函数并且需要先验统计信息。粗糙聚类无需提供数据集合 信息。
之外的任何先验信，处理结果比较客观。 用户兴趣矩阵的建立
近些年来，粗糙集理论已被广泛地应用于聚类。文献[1] 聚类的目的是为了将兴趣相似的用户分到一个聚类中，
提出一种利用粗糙近似的概念对登录日志中的 Web 事务进行 本文使用点击率和相对浏览时间来定义用户的兴趣度[5]。既
聚类的算法。文献[2]提出一种基于受限的上近似，在上近似 考虑了用户的点击率、浏览时间，又考虑了网页内容的长度。
的迭代过程中引入相对相似度作为聚类合并标准的对序列化 定义 1 点击率：
数据进行聚类的方法。但已提出的方法大多需要区分用户会