维基百科(Wikipedia)是近年来逐渐发展壮大的一种在线百科全书。维基(wiki,一种超文本系统)作为维基百科的基础技术,为全世界的用户提供了协同编辑的环境。现在正处于信息爆炸的时代,网络中用户所创造的数据是十分庞大的。对维基百科中词条的共同编辑行为进行挖掘和分析,就不能局限于传统的静态空间,要从维基词条的真实发展的时间序列数据进行分析,抽取其内在的变化机制。本文的重点与创新点包括以下几个方面:第一,基于张量分解的维基词条时间序列数据去噪及抽取特征:该方法有效的解决了高维数据所面临的稀疏问题,并且能深入挖掘词条序列的内在机制。首先对原始三阶词条张量进行降维操作,抽取表征其内在变化机制的特征作为相似性度量的基础,然后对张量进行分解,不仅为后序的聚类算法减少了工作量、解决了高维数据问题,而且不会破坏元素的内在关系。第二,基于动态时间规整的K-medoids词条分段数据聚类:该方法使用了张量分解对原始数据去除噪声并自动聚类的特点,形成包含不等长的时间序列数据段。由于传统的K-medoids算法进行测量相似性时使用的是欧式距离,无法对相似的形态特征进行拉伸或是位移,而本文使用的基于动态时间规整的K-medoids算法可以在一定程度上克服尺度位移的问题。最后,结合动态时间规整与隐马尔科夫模型,提出一种混合隐马尔科夫模型的维基词条用户行为挖掘算法。此算法可以对词条发展的不同阶段都训练出与之相对应的隐马尔科夫模型。并且利用真实词条数据为改进算法与传统算法设计了对比试验,分别在有无张量分解的数据下对算法进行测试。实验结果表明,这种改进算法在时间处理速度上和聚类效果上都比传统算法有较高的提升。