1、傳統(tǒng)的數(shù)據(jù)挖掘是從靜態(tài)的數(shù)據(jù)庫中發(fā)現(xiàn)知識。然而，數(shù)據(jù)倉庫往往是動態(tài)變化的，新的數(shù)據(jù)積累可能導致以前采用的挖掘算法所發(fā)現(xiàn)的知識失效，因此發(fā)現(xiàn)的知識或模式也需要動態(tài)維護，及時更新。動態(tài)數(shù)據(jù)庫與靜態(tài)數(shù)據(jù)庫挖掘的一個本質(zhì)區(qū)別在于人們對于新增的事務可能更感興趣。跟蹤這種動態(tài)變化將使管理者在進行決策時更加受益。增量算法是在已有的挖掘結(jié)果的基礎上，利用已經(jīng)獲得的知識對數(shù)據(jù)的增量部分進行挖掘，而不是對數(shù)據(jù)增量后的整體數(shù)據(jù)庫進行重新挖掘，從而大大節(jié)省知識

2、維護的開銷。 Web日志中數(shù)據(jù)的規(guī)模往往很大，日志記錄每時每刻都在不停地產(chǎn)生，用戶的訪問模式也隨之而變化，而這種用戶訪問模式的變化趨勢對于網(wǎng)站管理者而言是非常重要的。由日志記錄構(gòu)成的數(shù)據(jù)庫就是典型的動態(tài)數(shù)據(jù)庫，面對這種海量的動態(tài)數(shù)據(jù)，需要尋找高效的增量挖掘算法，極大地降低平均搜索時間和空間，是十分迫切而且必要的。本文的研究正是針對海量的Web訪問信息所構(gòu)成的數(shù)據(jù)庫的動態(tài)特性而展開，研究如何利用Web訪問信息的動態(tài)特性，尋找快速高

3、效的增量挖掘算法，重點研究Web挖掘中聚類、分類和關(guān)聯(lián)規(guī)則等若干關(guān)鍵問題的理論和方法。 本文對動態(tài)數(shù)據(jù)庫增量挖掘技術(shù)的國內(nèi)外研究狀況作了系統(tǒng)、全面的歸納、總結(jié)和分析，并對典型的應用領(lǐng)域Web使用挖掘的研究現(xiàn)狀進行了回顧。在此基礎上，重點研究了模糊層次聚類算法、神經(jīng)網(wǎng)絡聚類分類模型、基于聚類劃分的并行關(guān)聯(lián)規(guī)則挖掘方法以及它們的增量更新算法，主要貢獻和創(chuàng)新點如下： 1．利用模糊集合的理論，提出了基于模糊連接度的層次聚類算法F

4、HC。首先采用基本的劃分方法將大型數(shù)據(jù)集劃分成子類，然后分析子類間的連接模糊度，構(gòu)建子類模糊圖。通過對模糊圖進行入截圖，得到模糊圖的連通分支，從而得到聚類結(jié)果。FHC算法能對任意形狀的簇進行有效聚類。并將該方法與其他算法進行了比較，無論在聚類質(zhì)量還是運行時間上都具有優(yōu)勢，是一種快速高效的聚類方法。 2．對FHC算法進一步擴展，提出了該算法的增量挖掘方法IFHC和面向大型數(shù)據(jù)庫的分區(qū)聚類算法PFHC。IFHC通過對受影響的鄰域集合

5、進行分析，高效地處理動態(tài)增量數(shù)據(jù)。PFHC針對密度不均勻區(qū)域或者大型數(shù)據(jù)集合對于內(nèi)存容量不足的需求而提出的基于數(shù)據(jù)分區(qū)的模糊層次聚類算法，實驗結(jié)果表明了這兩種算法作為對FHC算法的擴充，具有很好的聚類效果。 3．結(jié)合自適應諧振理論和競爭型神經(jīng)網(wǎng)絡的特點，提出了一種新型的基于競爭型神經(jīng)網(wǎng)絡的SIN模型，該方法綜合了自適應諧振理論和競爭型神經(jīng)網(wǎng)絡的特點，并在隱含層采用了Hebb學習規(guī)則進行神經(jīng)元的側(cè)學習，既能保證原有記憶不受影響，又

6、能對新的信息加以記憶，同時又克服了ART網(wǎng)絡對噪音敏感的缺點，具有在線學習的功能，能夠?qū)崿F(xiàn)動態(tài)數(shù)據(jù)的聚類。 4．傳統(tǒng)的對傳網(wǎng)絡模型和學習算法中，隱含層神經(jīng)元個數(shù)過多將產(chǎn)生死神經(jīng)元，過少又使得競爭層不穩(wěn)定，網(wǎng)絡功能退化。針對這個缺陷，提出了一種自適應地確定隱含層神經(jīng)元個數(shù)的ASCPN網(wǎng)絡模型和學習算法，使得競爭層中每一個神經(jīng)元節(jié)點都能充分發(fā)揮作用，使得網(wǎng)絡能實現(xiàn)運用最少的神經(jīng)元，達到要求的性能。并在競爭層采用軟競爭機制，在一定程度

7、上克服了初始權(quán)值選取敏感的問題，雖然競爭層的權(quán)向量計算比CPN復雜，但是泛化能力顯著提高，與其他的基于軟競爭的算法相比，收斂速度快，模擬精度高，能更好地逼近模擬函數(shù)，提高了網(wǎng)絡的使用效率，使得網(wǎng)絡的性能得到很大的提高。 5．提出了基于聚類劃分的最大頻繁項集挖掘算法PARUC和它的動態(tài)增量更新方法IPARUC算法。FP-tree是一種快速有效的關(guān)聯(lián)規(guī)則挖掘方法，它采用建立FP-tree的方法將信息集中到壓縮樹上，不需要產(chǎn)生候選項集

8、。該方法使用最不頻繁的項作后綴，大大降低了搜索開銷。但是，面對海量數(shù)據(jù)，構(gòu)造基于內(nèi)存的FP-tree是不現(xiàn)實的，而且很難實現(xiàn)增量數(shù)據(jù)的挖掘。我們采用快速聚類的方法對海量數(shù)據(jù)進行劃分，使得劃分后每部分數(shù)據(jù)具有一定程度的相似性，從而壓縮局部FP-樹。同時對FP-tree的構(gòu)造算法進行改進，通過節(jié)點交換的方式壓縮樹的規(guī)模，以達到最佳壓縮效果。并討論了在增量情況下的最大頻繁項集的動態(tài)更新方法，采用“剪枝-交換-接回”的方法解決新事務的插入問題。