聚类分析是数据挖掘研究中最活跃的领域之一,用于将数据对象分组为多个类或簇,使得簇内对象尽可能相似而簇间对象尽可能相异。广泛用在模式识别、数据分折、图象处理、推荐系统以及电子商务等领域中。 本文首先对聚类算法进行了分类、综述和对比。传统聚类算法在低维空间中能够有效地进行聚类,但在高维数据集中,由于其数据的稀疏性,距离的相似性以及存在大量孤立点,使得传统聚类处理的效率和效果都不理想。对高维数据,一般采用特征转换(维度简约)和子空间聚类(维度选择)来解决这个问题。本文第二章对目前提出的子空间聚类算法作出了系统阐述,并分析比较它们各自的优缺点。 基于模式相似的聚类算法pCluster是子空间聚类的一种,与基于距离的聚类模型不同的是,在pCluster模型中,如果两个对象的属性在属性的某个子集上的趋势(模式)表现出一致性,则可判定这两个对象也相似。pCluster算法的主要目的就是发现对象之间这种模式上的相似性。本文第三章分析和实现了该算法,并针对其局限性提出了改进算法。改进算法采用对象块上的MCAS(最大相关属性集,Maximum Coherent Attribute Sets)剪枝代替原算法中的对称MCAS剪枝,合并对象产生聚类时,枚举各前缀树分枝上的属性对,并计算它们在对象集上MCOS(最大相关对象集,Maximum Coherent Object Sets)的交集。实验表明,改进算法的效率和空间开销都较原算法稍优,结果也更加准确。 本文设计了一个基于pCluster改进算法的推荐原型系统,同时验证了算法的可行性。