时序Web数据挖掘方法

摘要：

针对时序动态数据挖掘算法有限的问题，充分考虑动态数据之间的依赖性，将隐马尔可夫模型和启发式聚类策略相结合实现对时序动态数据发展变化特征及规律的挖掘。首先，基于隐马尔可夫模型将时序数据转换到似然空间，并以对称性KL（ Kullback-Leibler）距离来标识似然度的大小；其次，构建对称性KL距离转移矩阵，并借助分层聚类方法实现对时序动态数据变化模式的分类。通过将该方法应用于计算机网络专业职位需求变化规律的知识发现，挖掘出职位需求变化的五类模式。

关键词：时序数据、数据挖掘、隐马尔可夫模型、聚类、职位需求

分类号：TP393.07(计算技术、计算机技术)

在线出版日期：2014-12-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：120-122,150