基于粗糙K—均值用户兴趣聚类算法.doc

基于粗糙K—均值用户兴趣聚类算法 　　摘要：该文通过对虚拟社区用浏览模式，回复模式的分析和研究，来实现对用户兴趣的聚类，，同时实现对虚拟社区核心用户的挖掘。 关键词：虚拟社区；核心用户；用户兴趣 中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）15-3537-05 在WEB社区的挖掘中，用户兴趣的获取对于了解用户的需求和用户的特点特别重要。在博客，论坛等这些虚拟的社区中，都是以兴趣作为导向而组织起来的松散的社区结构。在这些论坛和博客中都提供了发帖，回帖，看帖的功能，有不同的主题。每天有大量的新帖，信息更新的速度很快。大部分的用户只浏览或者回复自己感兴趣的主题或者版面。这种以信息为中心，兴趣为导向的模式，在虚拟的社区中具有了小世界特性[1-2]。在虚拟的社区中，用户浏览了哪些主题，对主题是是否有回复，如果没有回复，那么在该主题上停留时间的长短都反映了用户的兴趣模式。文献[3]对用户兴趣模式的挖掘只关注了用户对主题的回复，以及用户之间的相互回复。但是在论坛中，80%的用户只是对主题的浏览而不进行回复。文献[42]根据用户浏览或者回复的主题之间的关系，来寻找用户间的兴趣。 本文通过对虚拟社区用浏览模式，回复模式的分析和研究，来实现对用户兴趣的聚类。通过分析用户浏览的主题网页，在主题网页的浏览的时间，是否有回复来获得用户的兴趣度。将用户的兴趣模式刻画成为一个模糊的语言变量，如“low/middle/high”，这样既可以表征用户兴趣的高低，又忽略了时间，回复次数的细微的差别。通过兴趣度的高低，实现对用户的聚类，同时实现对虚拟社区核心用户的挖掘。然而在WEB社区用户聚类的巨聚类过程中，类和类之间可能不存在明确而清晰的边界，因此在论文中把每个类用粗糙集来表示。提出了基于粗糙K-均值的用户兴趣度的用户聚类方法。 1 用户兴趣模式的预处理 Web服务器的日志文件中包含了大量的用户访问信息，这些信息是用户行为的体现了用户的兴趣和爱好。在论文中只对用户浏览的主题以及在主题上浏览的时间，以及对该主题的回复感兴趣。通过处理后，保留用户的信息形式[{（Ti1，ti1，Ri），（Ti2，ti2，Ri），……}]，[Ti1]表示用户参与的的主题，[ti1]表示用户在该主题下的访问时间，[Ri]表示用户是否在该主题下的回复的数目。假定一个论坛社区中，用户参与的主题的集合可以表示为[{T1，T2……Tm}]，不考虑用户的对主题的访问次序，则第[i]个用户的兴趣度可以表示为如下形式。 显然，每个用户的兴趣模式都被转换成[m]维的向量。将用户的兴趣度聚类成[r]个模糊区间，每个模糊区间对应一个模糊语言的变量。每个模糊语言的变量的隶属度函数可以通过模拟的方法来获得。假如兴趣度隶属度函数如图1所示。 2 用户和用户之间兴趣模式的关联关系 通过扩展后，用户的兴趣度模式向量[EVi]是一个[m+n]维向量，向量中的每个数都是从0到1之间的数。 3 粗糙k-均值聚类扩展模糊用户浏览模式 k-均值聚类算法是聚类算法中比较通用和常用的算法。然而在WEB社区用户聚类过程中，类和类之间可能不存在明确而清晰的边界，因此在论文中把每个类用粗糙集来表示。 设所有的用户的浏览模式要被聚类成[c]个类，第[k]个类的中心的计算公式如下： 具体的算法的步骤如下： 2） 随机选定[c]个模式作为[c]个类的中心 4） 重新计算[k]个类的中心点 5） 重复步骤3和步骤4，直到收敛。 6） 按照粗糙集输出这k个类 算法采用两阶段反复循环的过程，直到没有新的数据元素被分配到类中。算法实现将每一个用户的兴趣度模式分配到某个聚类中，使得它与这个聚类中心的距离比到其它聚类中心的距离要近；然后重新修改聚类中心。 4 实验结果与评价 本文以天涯论坛数据作为验证用户兴趣聚类的源数据来源，为了分析该算法的可行性，从论坛的WEB日志中选取2400条记录，经过数据的预处理，识别出会话的主题有7个。具体的数据如下： 假定根据用户的兴趣度，将用户的兴趣度分成3个模糊的区域，模糊区域的划分根据专家系统给出。如图2所示： 通过每个用户的兴趣度模式矩阵，根据公式3计算出用户之间的相似度[rij]。根据公式（4）（5）（6）（7），最后使用欧氏距离来衡量用户之间的差异性矩阵如下： 5 实验分析 5.1 数据采集 社区数据的采集主要包括两个主要的步骤： 1）通过网络爬虫获得帖子的列表网页，网页中提取出论坛主题的标题。 2）根据第一步获得的论坛主题的URL，分别每个主题的浏览的用户列表，回复列表，每个用户浏览的时间。 作者在2012年8