基于数据挖掘的符号序列聚类相似度量模型

为了从消费者偏好序列中发现市场细分结构,采用数据挖掘领域中的符号序列聚类方法,提出一种符号序列聚类的研究方法和框架,给出RSM相似性度量模型。调整RSM模型参数,使得RSM可以变为与编辑距离、海明距离等价的相似性度量。通过RSM与其他序列相似性度量的比较,表明RSM具有更强的表达相似性概念的能力。由于RSM能够表达不同的相似性概念,从而使之能适用于不同的应用环境,并在其基础上提出自组织特征映射退火符号聚类模型,使得从消费者偏好进行市场细分结构研究的研究途径在实际应用中得以实现。

基于隐马尔可夫模型的符号序列自组织聚类

本文提出一种基于模型的、适合变长符号序列的自组织聚类算法。隐马尔可夫模型被用于表达各个聚类,批处理自组织特征被用于符号序列的聚类过程。实验结果表明该算法能有效发现变长符号序列中的聚类模式。

适用于区间数据的基于相互距离的相似性传播聚类

符号聚类是对传统聚类的重要扩展,而区间数据是一类常见的符号数据。传统聚类中使用的对称性度量不一定适用于度量区间数据,且算法初始化也一直是干扰聚类的严重问题。因此,提出了一种适用于区间数据的度量——相互距离,并在此度量的基础上采用了一种全新的聚类方法——相似性传播聚类,解决了初始化干扰问题,从而得出了适用于区间数据的基于相互距离的相似性传播聚类。通过理论阐述和实验比较,说明了该算法比基于欧氏聚类的K-均值算法要好。

基于数据挖掘的供应链产品优化配置

针对供应链的特点,以客户偏好序列数据为切入点,提出客户偏好取向与客户特征属性间的关联关系模型,借鉴数据挖掘的符号序列聚类方法,研究符号类型序列数据对应的性质,从形式化和实例化2个方向讨论符号序列相似性问题,对偏好符号序列聚类问题的本质进行分析,研究如何应用自组织特征映射作为符号序列的聚类算法,并对聚类模型进行比较,使得从消费者偏好进行市场细分结构研究的研究途径在实际应用中得以实现。