本文選題：聚類 + 聚類有效性��； 參考：《北京郵電大學》2014年碩士論文

【摘要】：隨著移動互聯(lián)網(wǎng)時代的到來以及移動智能設(shè)備的普及,傳統(tǒng)的電信業(yè)務(wù)模式和用戶能夠獲得的服務(wù)內(nèi)容發(fā)生了顯著的變化。一方面,電信運營商能夠給用戶提供更為豐富的服務(wù)內(nèi)容,各種新業(yè)務(wù)不斷涌現(xiàn)；另一方面,用戶可以根據(jù)自己的個人需求和喜好選擇不同的服務(wù)內(nèi)容和模式。 電信運營商多元化的服務(wù)和用戶數(shù)目的迅速增長產(chǎn)生了海量數(shù)據(jù)。這些海量數(shù)據(jù)中有大量的用戶行為數(shù)據(jù),這些數(shù)據(jù)具有巨大的價值,如何利用好這些海量的用戶行為數(shù)據(jù)是電信運營商的一個新挑戰(zhàn)。本文的主要創(chuàng)新點如下： 首先,本文研究了如何利用機器學習中的相關(guān)技術(shù)針對電信業(yè)務(wù)用戶行為數(shù)據(jù)進行用戶行為的分析和挖掘,并且提出一種基于頻繁模式的聚類有效性指數(shù)。新提出的聚類有效性指數(shù)不再采用傳統(tǒng)聚類有效性指數(shù)經(jīng)常利用的內(nèi)聚性度量和分離性度量而是基于統(tǒng)計邏輯推理度量。它克服了傳統(tǒng)聚類有效性指數(shù)的一些固有不足。文章將新提出的聚類有效性指數(shù)與特定聚類算法結(jié)合,形成了一種自適應(yīng)聚類方法。這種自適應(yīng)聚類方法能夠從具有不同初始化參數(shù)的多個聚類過程中選擇一個最合理的初始化參數(shù)和相應(yīng)的聚類結(jié)果。 其次,本文將提出的自適應(yīng)聚類方法應(yīng)用于人工數(shù)據(jù)集和UCI (UC Irvine)數(shù)據(jù)集進行理論仿真和分析。對比實驗結(jié)果表明,在人工數(shù)據(jù)集和UCI數(shù)據(jù)集上,新提出的有效性指數(shù)具有較好的性能。然后,利用本文提出的自適應(yīng)聚類方法對中國某運營商某省級公司提供給本實驗室的移動業(yè)務(wù)用戶行為數(shù)據(jù)實施了特定的自適應(yīng)聚類分析任務(wù),結(jié)果表明本文提出的新聚類有效性指數(shù)和自適應(yīng)聚類方法能夠有效地應(yīng)用于真實的電信業(yè)務(wù)數(shù)據(jù)以分析用戶行為,具有實際應(yīng)用價值。
[Abstract]:With the advent of the mobile Internet era and the popularity of mobile intelligent devices, the traditional telecommunication service mode and the service content that users can obtain have changed significantly. On the one hand, telecom operators can provide users with more abundant service content and a variety of new services are emerging; on the other hand, users can choose different service content and mode according to their personal needs and preferences. The diversified services of telecom operators and the rapid growth of the number of users have produced huge amounts of data. There are a lot of user behavior data in these massive data, these data have great value, how to make good use of these massive user behavior data is a new challenge for telecom operators. The main innovations of this paper are as follows: Firstly, this paper studies how to analyze and mine the user behavior data based on the related technology of machine learning, and proposes a clustering validity index based on frequent pattern. The new clustering validity index is based on the statistical logic reasoning instead of using the cohesion and separation measures which are often used by the traditional clustering validity indices. It overcomes some inherent shortcomings of traditional clustering validity index. In this paper, an adaptive clustering method is developed by combining the new clustering validity index with a specific clustering algorithm. This adaptive clustering method can select one of the most reasonable initialization parameters and corresponding clustering results from multiple clustering processes with different initialization parameters. Secondly, the proposed adaptive clustering method is applied to the theoretical simulation and analysis of artificial data sets and UCI UC Irvine data sets. The experimental results show that the proposed validity index has better performance on artificial data sets and UCI datasets. Then, using the adaptive clustering method proposed in this paper, we implement a specific adaptive clustering analysis task for mobile user behavior data provided to our laboratory by a provincial company of a Chinese operator. The results show that the new clustering validity index and adaptive clustering method proposed in this paper can be effectively applied to real telecom service data to analyze user behavior.
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TN929.5;TP393.01;TP181

【共引文獻】

相關(guān)期刊論文 前10條

1 張彥波;鄭正奇;李明;;WSNs中采用動態(tài)模閾值檢測DDoS攻擊(英文)[J];傳感技術(shù)學報;2008年07期

2 劉小芳;何彬彬;李小文;;基于半監(jiān)督核模糊c-均值算法的北京一號小衛(wèi)星多光譜圖像分類[J];測繪學報;2011年03期

3 何力;黃薇;劉丹;;基于聚類分析方法的節(jié)水型社會分區(qū)研究[J];長江科學院院報;2010年04期

4 黃紅星;闕樹福;黃習培;田立;;模糊蟻群聚類及其在數(shù)據(jù)挖掘中的應(yīng)用[J];福建電腦;2007年11期

5 劉克準;廖志芳;;數(shù)據(jù)挖掘中聚類算法綜述[J];福建電腦;2008年08期

6 朱林;雷景生;畢忠勤;徐菲菲;;模糊加權(quán)流數(shù)據(jù)軟子空間的聚類算法[J];上海電力學院學報;2013年06期

7 王昱;;基于組合分類的消費者信用評估[J];管理工程學報;2015年01期

8 石旭東,付宜利,代勇,馬玉林;基于模糊聚類的設(shè)備分組技術(shù)[J];哈爾濱工業(yè)大學學報;2001年03期

9 張敞;王園園;趙裕嘯;伍章俊;;一種基于信息熵的聚類結(jié)果評價方法[J];合肥工業(yè)大學學報(自然科學版);2011年08期

10 方怡;王君;王曉茹;;基于暫態(tài)穩(wěn)定評估的數(shù)據(jù)挖掘預(yù)處理[J];機電工程;2007年10期

相關(guān)會議論文 前1條

1 劉通;張宇獻;;基于加權(quán)平均數(shù)的模糊聚類有效性函數(shù)[A];第十屆沈陽科學學術(shù)年會論文集（信息科學與工程技術(shù)分冊）[C];2013年

相關(guān)博士學位論文 前10條

1 劉小芳;基于核理論的遙感圖像分類方法研究[D];電子科技大學;2011年

2 呂宗磊;對聚類及聚類評價若干問題的研究[D];南京航空航天大學;2009年

3 唐海燕;電梯交通分析及電梯優(yōu)化控制方法研究[D];哈爾濱工業(yè)大學;2010年

4 陳新國;數(shù)字系統(tǒng)微弱泄漏電磁波信號檢測方法研究[D];華中科技大學;2012年

5 胡雅婷;可能性聚類方法研究及應(yīng)用[D];吉林大學;2012年

6 范九倫;模糊聚類新算法與聚類有效性問題研究[D];西安電子科技大學;1998年

7 王曉丹;基于模糊聚類及神經(jīng)網(wǎng)絡(luò)的紋理分割方法研究[D];西北工業(yè)大學;2000年

8 楊兵;人—機交互中手繪圖形的聯(lián)機識別方法研究[D];西安電子科技大學;2001年

9 孔敏;關(guān)聯(lián)圖的譜分析及譜聚類方法研究[D];安徽大學;2006年

10 卿銘;模糊熵及其在模糊系統(tǒng)優(yōu)化中的應(yīng)用[D];西南交通大學;2006年

相關(guān)碩士學位論文 前10條

1 孫洋;基于免疫遺傳算法和粒子群算法的聚類研究[D];長沙理工大學;2010年

2 劉坤朋;數(shù)據(jù)挖掘中聚類算法的研究[D];長沙理工大學;2010年

3 白霜;DNA序列的最大頻繁模式挖掘[D];南昌大學;2010年

4 劉強;基于FCM算法的多層鋼框架模糊優(yōu)化設(shè)計[D];山東建筑大學;2011年

5 張艷昌;基于信息論的時間序列聚類算法研究及應(yīng)用[D];大連理工大學;2011年

6 孔明明;無線電干擾信號發(fā)現(xiàn)與識別的研究[D];西華大學;2010年

7 席妍妍;基于Hellinger距離的視覺信息的漢語語義習得[D];北京郵電大學;2011年

8 童波;基于MFGS方法圖像最佳分割數(shù)的研究[D];南京理工大學;2011年

9 李曉麗;不確定性數(shù)據(jù)挖掘算法設(shè)計[D];電子科技大學;2011年

10 蘇璇;改進的模糊聚類算法及其在電信欠費數(shù)據(jù)中的應(yīng)用研究[D];天津理工大學;2011年

，

本文編號：1985896