網(wǎng)格和密度的聚類算法在CRM中的應(yīng)用

聚類分析是數(shù)據(jù)挖掘領(lǐng)域中一種非常有用的技術(shù)，它用于從大量數(shù)據(jù)中尋找隱含的數(shù)據(jù)分布模式，主要有分割法、層次法、密度法、網(wǎng)格法和模型法等。該文主要討論數(shù)據(jù)挖掘中一種基于密度和網(wǎng)格的聚類分析算法及其在客戶關(guān)系管理中的應(yīng)用。該算法具有較高的聚類效率而且容易實(shí)現(xiàn)，可以發(fā)現(xiàn)任意形狀的聚類，時(shí)間復(fù)雜度低，聚類精度高，適用于數(shù)據(jù)的批量更新。該文還提出增量式聚類技術(shù)，它不僅能夠利用前期聚類的結(jié)果，充分提高聚類分析的效率，而且可以降低維護(hù)知識(shí)庫(kù)所帶來(lái)的巨大開(kāi)銷(xiāo)。實(shí)驗(yàn)證明了算法的有效性。
關(guān) 鍵 詞 聚類分析; 客戶關(guān)系管理; 數(shù)據(jù)挖掘; 密度; 網(wǎng)格

Clustering analysis is a very useful tool in the domain of data mining for searching distributing mode from a great deal of data. Its main algorithms are partition-based algorithm, hierarchy-based algorithm, density-based algorithm, grid-based algorithm, and model-based algorithm. The paper mainly discusses a clustering algorithm based on density and grid in data mining, which has high clustering efficiency and low time complexity. It is efficient and effective for multi-density and uniformity density data sets with noise and suitable for batch update. After that an incremental clustering technique is presented. This technique not only makes best use of the former clustering results and improves the efficiency of clustering analysis, but also brings to the reduction of enormous expenditure on knowledge base maintenance. At last an application of the algorithm in Customer Relationship Management (CRM) is gien.
Key words clustering analysis; customer relationship management; data mining; density; grid

聚類分析是數(shù)據(jù)挖掘領(lǐng)域研究的重要課題[1]，其基本思想是：按照數(shù)據(jù)的相似性和差異性，將數(shù)據(jù)劃分為若干組，同組的數(shù)據(jù)盡量相似，不同組的數(shù)據(jù)盡量相異[2-3]。迄今為止，人們已經(jīng)提出了許多聚類算法，主要有分割法、層次法、密度法、網(wǎng)格法和模型法等[4-6]?；诰W(wǎng)格和密度的聚類算法由于易于增量實(shí)現(xiàn)和高維數(shù)據(jù)挖掘而被廣泛地應(yīng)用于聚類算法中?；诰W(wǎng)格的方法在聚類過(guò)程中將網(wǎng)格中的點(diǎn)作為一個(gè)整體處理，而不是考慮單元中的每一個(gè)點(diǎn)，基于這一特性，該方法在所有的聚類方法中效率最高。其優(yōu)點(diǎn)是聚類的結(jié)果與輸入數(shù)據(jù)的順序無(wú)關(guān)，算法的時(shí)間復(fù)雜度是數(shù)據(jù)點(diǎn)個(gè)數(shù)的線性函數(shù)，速度快、可擴(kuò)展性好，能識(shí)別不同形狀的聚類。
本文給出一種基于密度和網(wǎng)格的聚類算法，它是一個(gè)基于密度的算法，既保留了基于網(wǎng)格算法運(yùn)行速度快的特點(diǎn)，又通過(guò)細(xì)化技術(shù)彌補(bǔ)了該類算法精度不好的弱點(diǎn)。
1 算法分析
在基于密度的算法中，一個(gè)聚類就是一個(gè)比周?chē)鷧^(qū)域有更高數(shù)據(jù)點(diǎn)密度的區(qū)域[7]。為識(shí)別數(shù)據(jù)點(diǎn)的密度，將數(shù)據(jù)空間進(jìn)行劃分并找出每個(gè)單元中數(shù)據(jù)點(diǎn)的數(shù)目。為使計(jì)算點(diǎn)的密度的方法簡(jiǎn)單一些，將數(shù)據(jù)空間分割成網(wǎng)格狀，把數(shù)據(jù)空間中的每一維劃分成相同的區(qū)間數(shù)，每一個(gè)單元具有相同的“體積”[8-9]。單元中點(diǎn)的密度的計(jì)算可以轉(zhuǎn)換成簡(jiǎn)單的點(diǎn)計(jì)數(shù)，然后把落到某個(gè)單元中的點(diǎn)的個(gè)數(shù)作為該單元的密度。這時(shí)可以指定一個(gè)閾值r，當(dāng)某單元格中點(diǎn)的個(gè)數(shù)大于該閾值時(shí)，就稱該單元格是密集的，聚類也就是所有相鄰近的密集單元格的集合。