1、目前,興起的個性化信息推薦技術(shù)已經(jīng)成為當(dāng)前Web使用挖掘的熱門領(lǐng)域之一。個性化信息推薦是根據(jù)Web用戶瀏覽站點的Web日志以及其他用戶的相關(guān)信息,推測其喜好和興趣,并為其提供個性化信息服務(wù)。本文主要研究個性化推薦過程中的用戶聚類算法,對Web日志進(jìn)行分析從而獲取用戶的多種興趣。
　　 本文提出基于聚類中心集的合并聚類算法來確定樣本集的聚類數(shù)目。采用了自組織神經(jīng)網(wǎng)絡(luò)作為實施算法,預(yù)設(shè)一個較大的聚類數(shù)目進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練,得到聚類中

2、心集。利用該算法對聚類中心集進(jìn)行合并操作,利用夾角余弦公式計算各聚類中心的相似度,構(gòu)建評價函數(shù)來判斷聚類中心是否可以滿足合并的要求,最后根據(jù)樣本隸屬聚類中心的隸屬度的分布是否均勻來合并聚類中心集,從而得到樣本集的新的聚類中心集和聚類數(shù)目。
　　 本文將模糊C均值聚類算法應(yīng)用于自組織神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),提出一個模糊聚類神經(jīng)網(wǎng)絡(luò)。利用自組織神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和強大的訓(xùn)練學(xué)習(xí)能力,能夠有效解決模糊C均值聚類中大數(shù)據(jù)量運算緩慢和中心權(quán)值

3、初始化等一些問題;同時,模糊C均值聚類在處理復(fù)雜問題上,為其增加模糊的特性,對聚類效果有明顯的改進(jìn),并且可以挖掘用戶的多興趣。
　　 在模糊聚類神經(jīng)網(wǎng)絡(luò)的應(yīng)用階段,競爭模糊層的神經(jīng)元權(quán)值設(shè)置為之前訓(xùn)練階段的權(quán)值,并保持穩(wěn)定,不再進(jìn)行更新調(diào)整。根據(jù)隸屬度函數(shù)更新每個輸入樣本到輸出神經(jīng)元的隸屬度。學(xué)習(xí)率根據(jù)隸屬度進(jìn)行自適應(yīng)的調(diào)整,避免對鄰域的選擇與調(diào)整。最后根據(jù)隸屬度的分布特征,設(shè)定輸出閾值,若輸入樣本到某一輸出神經(jīng)元的隸屬度大于該