[发明专利]一种数据挖掘系统中数据聚类的方法、系统及装置

说明书

技术领域

本发明涉及数据挖掘技术领域，尤其涉及一种数据挖掘系统中数据聚类的方法、系统及装置。

背景技术

数据挖掘又称数据库中的知识发现，是指从大量的不完全的、有噪声的、模糊的数据中提取隐含的、未知的、非平凡的及有潜在应用价值的信息或模式，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。数据挖掘工具能够对将来的趋势和行为进行预测，从而很好地支持人们的决策。

在数据挖掘处理中，聚类(Clustering)是将数据对象分组成为多个类或簇(cluster)，属于同一个簇的对象之间具有较高的相似度，属于不同簇的对象之间具有较低的相似度。相似度一般根据描述对象的属性值计算得到，而对象之间的距离是常用的度量方式。目前，聚类分析已经广泛地用在许多领域，例如，在商务领域，聚类能帮助市场分析人员从客户基本库中发现不同的客户群，并且用购买模式来刻画不同的客户群的特征。通过聚类，能够对客户消费行为及消费心理等多种因素进行分析，从而得出客户在消费习惯、生活方式、社会联系等方面的特征，按不同特征划分客户群，并针对不同客户群进行不同的市场营销活动和客户服务。

目前，聚类方法多采用PAM(PArtitioning method，划分方法)(也称k-中心点对象算法)，PAM是给定一个有N个元组或者纪录的数据集，构造K个分组，每一个分组代表一个聚类，K＜N，其中，构造的K个分组满足下列条件：

(1)每一个分组至少包含一个数据纪录；

(2)每一个数据纪录属于且仅属于一个分组；

对于给定的K，首先给出一个初始的分组方法，以后通过反复迭代的方法改变分组，使得每一次改进之后的分组方案都优于前一次分组，即同一分组中的对象的相似度越高越好，不同分组中对象的相似度越小越好。

PAM用簇中位置最靠近中心的对象作为代表对象，然后反复地用非代表对象来代替代表对象，试图找出更好的中心点对象，在反复迭代的过程中，所有可能的“对象对”被分析，每个对中的一个对象为中心点对象，另一个为非代表对象。一个对象代表可以被最大平方-误差值减少的对象代替。一个非代表对象Oh是否是当前一个代表对象Oi的一个好的替代，对于每个非中心点对象Oj，有以下四种情况需要考虑，然后计算，如果为负，则可以替换：

(1)Oj当前隶属于Oi，如果Oi被Oh替换，且Oj离另一个Om最近，那么Oj被分配给Om，则替换代价为Cjih＝d(j，m)-d(j，i)，其中，i！＝m。

(2)Oj当前隶属于Oi，如果Oi被Oh替换，且Oj离Oh最近，那么Oj被分配给Oh，则替换代价为Cjih＝d(j，h)-d(j，i)。

(3)Oj当前隶属于Om，m！＝i，如果Oi被Oh替换，且Oj仍然离Om最近，那么Oj被分配给Om，则替换代价为Cjih＝0。

(4)Oj当前隶属于Om，m！＝i，如果Oi被Oh替换，且Oj离Oh最近，那么Oj被分配给Oh，则替换代价为Cjih＝d(j，h)-d(j，m)。

根据以上原理，PAM的计算过程如图1所述，主要包括如下步骤，其中，假设要得到的簇的数目为k，并且数据库中包含n个对象：

步骤101、任意选择k个对象作为初始的簇中心点对象；

步骤102、依次计算每个非中心点对象到k个中心点对象的距离，并指派每个非中心点对象给离他最近的中心点对象所表示的簇，直到所有非中心点对象被指派到对应的簇中；

步骤103、选择一个未被选择的中心点对象Oi；

步骤104、选择一个未被选择的非中心点对象Oh；

步骤105、计算用Oh代替Oi的总代价并记录在S中；

步骤106、重复步骤104至步骤105直到所有非中心点对象都被选择过；

步骤107、重复步骤103至步骤106直到所有中心点对象都被选择过；

步骤108、在S中记录的总代价有小于0的存在，则利用对应最小S值的非中心点对象替代中心点对象，形成新的k个中心点对象的集合；

步骤109、重复步骤103至步骤108直到S中记录的总代价都大于0。

CLARA(Cluster Larger Application，随机搜索聚类算法)也是较常见的聚类方法，该算法先抽取数据集合的多个样本，然后用PAM方法在抽样的样本中寻找最佳的k中心点对象，返回最好的聚类结果作为输出。