聚类是一种常用的数据挖掘算法,它通过将数据划分为多个不同的集群,同一个集群中的元素相识度较高,而不同集群中的元素相似度较低,从而挖掘出数据中的有用信息。首先,本文分析了聚类分析中的国内外研究现状,对增量式模糊聚类方法所存在的主要问题进行了阐述,重点对增量式模糊聚类方法中的集群的中心点的选择问题进行了研究。针对以往算法在中心点选择中存在的问题,在增量式模糊聚类算法IMMFC的基础上,提出了一种基于最小权重阈值的增量式模糊聚类算法,以提高算法的准确度。第一步,算法将数据分为多个数据块,并对每一个数据块进行模糊聚类;第二步,从每个数据块中的每个集群中选择多个中心点,中心点个数为该集群中对象权重之和大于给定阈值的最少对象个数;第三步,将选择的所有中心点作为最后一块数据块,对其进行模糊聚类,得到最终的中心点。通过两组实验对算法的准确度和F值进行了测试。实验结果表明,算法在数据块规模大于全部数据的10%时表现优于IMMFC。本文所提出的算法有以下特点。首先,算法将数据分为多个小的数据块,解决了因数据量太大而无法一次性的放入内存中的问题;其次,算法为每个数据块中的每个集群灵活的确定中心点的个数,一个集群中的中心点权重之和不小于某个阈值,从而避免了当某集群中元素权重普遍偏低时选择的中心点不足以代表该集群的情况。同时,算法也有缺点。当数据块规模为所有数据的10%时,算法表现不如IMMFC。其次,本文对数据的预处理工作做了详细的研究,并根据本文增量式聚类算法的特点,提出了适合该算法的距离矩阵生成算法。最后,本文将提出的算法应用到了一个实际案例,即Twitter热点话题的挖掘当中,这个应用案例给出了增量式模糊聚类算法在Twitter热点话题挖掘中的一般步骤以及解决思路,可以为算法的应用提供一定的参考。