希望有个工具能够自动从上，尤其是服务上提取知识。因此人们在传统数据挖掘的基础上，又提出了挖掘的概念。挖掘是数据挖掘在上的应用，它利用数据挖掘技术从与相关的资源和行为中抽取感兴趣的有用的模式和隐含信息，涉及技术数据挖掘计算机语言学信息学等多个领域，是项综合技术。该技术可以分为三类是内容挖掘，即对页面的内容进行挖掘二是结构挖掘，即对页面之间的结构进行挖掘三是使用信息挖掘，即对用户访问时留下的访问记录进行挖掘。本课题事务聚类分析，则属于使用信息挖掘。聚类分析是挖掘的关键技术之。在使用挖掘中，可以进行两种聚类用户聚类或用户访问事务聚类和页面聚类。个性化服务中的用户聚类主要是指通过分析服务器的日志文件获取用户的行为模式，并将其量化，然后利用定的算法进行聚类即要建立具有相似浏览模式的用户群的过程。这样的规则对于电子商务中的市场决策和向用户提供个性化的服务是非常有帮助的。页面聚类是要挖掘具有相关内容的页面簇，这对于搜索引擎和提供商都是非常有用的。本论文只关注用户聚类，并且以会话事务作为聚类分析中的数据对象。用户聚类可以用于为组特定用户建立简档。这需要抽取并选择最能描述这组特定用户的特征。例如对服务器日志记录进行聚类分析，可能会发现类似这样有趣的规则在在线订购的用户中，的用户年龄信息，这是在使用蚁群算法作为聚类手段时没有发现的。簇的事务以访问学院的概况和招生就业信息为主，其次是访问学院的研究生工作信息。可以推测这类事务的用户很可能是有意报考我院的考生，并且其中含有大量报考我院研究生的考生。其余簇的体积过小，因此不能作为正常的事务簇。试验结果小结从试验结果可以看出，使用蚁群聚类算法不需要与数据集相关的先验知识，无需事先指定簇的数目，并且获得的聚类结果较为自然，能够发现各种大小的簇，且包含的细节数量适中，可以很好地被解释。但是在蚁群聚类分析的结果中，可能存在着大量的孤立点，这些孤立点可能含有细微但是重要的特征。均值聚类算法需要知道数据集中簇的数目这统的数据库查询技术相比较，数据挖掘技术有以下的不同传统的数据库查询般都具有严格的查询表达式，可以用语句描述而数据挖掘则不定具有严格的要求，常常表现出即时随机等特点，查询要求也不确定。整个挖掘过程也无法仅用语言就能完整表达，实际上，数据挖掘常常用种类语言描述。传统的数据库查询般生成严格的结果集，但数据挖掘可能并不生成严格的结果集。挖掘过程往往基于统计规律，产生的规则并不要求对所有的数据项总是成立，而是只要达到定的事先给定的阈值就可以了。通常情况下，数据库查询只对数据库的原始字段进行，而数据挖掘则可能在数据库的不同层次上发掘知识规则。目前，数据挖掘已成为计算机科学研究中的个十分活跃的前沿领域，并在市场分析金融投资欺诈甄别医疗卫生环境保护产品制造和科学研究等许多领域有着广泛的应用，取得了十分可观的社会效益和经济效益。同时，知识发现和数据挖掘的研究和应用，为人工智能这门前沿学科的发展注入了新的活力，有力地促进了计算机科学朝着纵深方向蓬勃发展。聚类分析在数据挖掘的众多技术当中，聚类分析是数据挖掘当中的核心技术之。物以类聚，人以群分聚类，是将数据集中的数据聚集成类，使类间数据的相似性最小化，而使类内数据的相似性最大化。虽然人类对聚类的研究始于世纪年代，但是聚类是个古老的问题，它伴随着人类社会的产生和发展而不断深化。人类要认识世界，就必须区别不同的事物并认识事物间的相似性。聚类是个无监督的学习过程，它同分类的根本区别在于分类需要事先知道分类过程所依据的数据特征，而聚类是要找到这个数据特征。因此，在很多应用中，聚类分析作为种数据预处理过程，是进步分析和处理数据的基础。例如在商务中，聚类分析能够帮助市场分析人员从客户基本库中发现不同的客户群，并且用购买模式来刻画不同客户群的特征。在生物学中，聚类分析能用于推导植物和动物的分类，对基因进行分析，获得对种群中固有结构的认识。聚类分析也可以用于在泥土