随着互联网技术的发展和移动设备的普及,基于互联网的景点、酒店等个性化信息服务日益增多,这些信息数据的重要性也日趋凸显。面对日渐积累的庞大的信息数据,如何从这些数据资源中发现出更深层次的联系和规律而非表面的关系成为了国内外学者研究的热点。作为数据挖掘领域中的重要方法,空间密度聚类算法与特征加权算法被广泛地应用于数据分析与处理中。论文通过对景区兴趣点信息及景区文本数据进行分析,采用空间密度聚类算法DBSCAN和特征加权算法TFIDF处理数据集,设计并实现了支持热点区域发现和特色关键词提取功能的景区信息挖掘系统。论文的主要研究工作如下:(1)针对景区兴趣点与景区文本数据源进行了数据预处理与数据存储。去除景区兴趣点数据源中存在的异常数据,并补全其中的缺失数据;将景区文本数据源进行分词处理并去除其中存在的空文本数据与无意义的停用词。最后根据数据属性类别分别存储入库。(2)提出了一种改进型空间密度聚类算法KM-DBSCAN。由于传统DBSCAN最终聚类效果极度依赖于其两个输入参数的选择,且输入参数的全局性还会导致算法对于非均匀密度分布数据集的聚类效果不良。针对上述弊端,提出了改进的自适应参数空间密度聚类算法KM-DBSCAN。改进算法通过k-means对数据进行简单分区,引入均值漂移向量得到各分区的Eps与MinPts值,接着对各分区进行局部聚类并合并聚类结果。改进算法改善了其对于参数Eps与MinPts的依赖性且在非均匀密度分布数据集上也表现良好,并通过对比实验证实了该算法的合理性与有效性。(3)提出了一种改进型特征加权算法FDCD-TFIDF。由于传统特征加权算法TFIDF未考虑数据集类别间分布的不平衡性且未正确反映文本向量在分类体系的类间与类内分布情况,导致算法对于文本类别偏斜数据集的处理效果不佳。因此针对上述缺点,本文通过引进词频分布因子和类别分布因子进行改进。上述分布因子既考虑到数据集类别间的分布差异又可以反映特征向量在文本类间与类内的分布差异,因此能够准确地衡量特征向量在文本集中的重要程度,并通过对比实验证实了该算法处理类别偏斜数据集的有效性。(4)设计并实现了基于特征加权与密度聚类的景区信息挖掘系统。将改进的特征加权算法FDCD-TFIDF和密度聚类算法KM-DBSCAN与实际系统相结合,既可以展示景区特色关键词又提供了景区热点区域分布展示以及景区周边区域设施检索功能,该系统能够帮助用户更好的挑选个性化旅游景点,更方便快捷地获取景区周边信息,提高效率,对出游规划提供可靠的数据支持。通过系统调试与分析结果可知,本文设计实现的景区信息挖掘系统符合预期效果,表明了该系统的可靠性与实用性,对于景区服务现代化及景区周边规划具有重要意义。