在当今的大数据时代,如何从爆炸式的互联网信息槽中挖掘出有价值、有商机的信息,成为各行各业研究的热点之一,也是各类决策者迫切需要解决的问题。Web日志挖掘技术是解决这类问题有效途径之一,它将互联网技术和数据挖掘技术相结合,挖掘出隐藏在Web日志上的未知的、有价值的信息,从而得出有用的知识。聚类分析是Web日志挖掘领域中应用最广泛的挖掘算法之一,包括Web用户聚类、页面聚类和会话聚类。其中,Web用户聚类最具有实际应用价值,该方法是通过分析用户的访问足迹,挖掘用户的浏览兴趣和习惯,自动将访问模式相同或相似的用户划分到同一组中,便于改进站点结构、制定个性化服务、提供商业决策依据等。由于Web日志数据对象存在模糊性和不确定性,它们可能在一定程度上隶属于某个类别,但同时也可能在某些程度上隶属于另外一个甚至多个类别,而传统的硬聚类算法只将数据对象划分到唯一某个类别中。因此,本文在进行Web用户聚类过程中,采用模糊聚类算法,利用模糊集概念,弥补传统硬聚类的缺陷,提高挖掘结果的准确性。本文主要研究Web日志挖掘中的Web用户聚类,分别从用户相似度和聚类算法这两方面进行改进,然后使用改进的算法进行Web日志挖掘,得到Web用户聚类结果。一方面,提出改进的用户兴趣相似度算法。通过度量用户兴趣的因素——用户的浏览行为、点击行为和反馈行为,提取出更能体现用户真实兴趣的用户特征,运用模糊多重集和最大最小值法进行相似度计算。另一方面,针对模糊聚类中模糊C-均值聚类(FCM)算法存在模糊权重m的不确定性和易于收敛到局部极值的缺点,提出基于共享历史最优粒子群的自适应模糊C-均值聚类(SHBPSO-AFCM)算法。该算法的主要内容:从位置更新公式、速度更新公式和适应度函数三个方面对标准粒子群优化算法进行改进;将改进后的粒子群优化算法与FCM算法相结合,提高算法的全局寻优能力;将模糊权重m嵌入到粒子群优化算法中,利用粒子群优化算法的多次迭代,自适应产生最优的模糊权重n值,以解决FCM算法存在的问题。实验结果表明,该算法能提高聚类的准确性和有效性。