网络数据的K-means聚类算法

随着Internet的大规模普及、信息处理技术和数据处理技术的发展及企业信息化程度的提高，各种网络资源以爆炸式速度迅猛增长，现存的网络资源以数据库存储的形式为主，数据的形式以半结构化和结构化的形式存储。但是在网络技术迅猛发达的今天，数据库中的数据量更是以惊人的速度发展，就形成了数据量很大而对于有用的信息的发掘和利用成为一大难题的现象，也成为现在研究的热点问题。

如何从激增的数据背后找到有价值的信息，并从中提取出知识己经成为目前数据挖掘和知识管理等研究领域的重要课题。而数据挖掘技术正是解决这一课题的重要方法。其中聚类(clustering)是数据挖掘三大领域(关联规则，聚类，分类)之一，是分析数据并从中发现有用信息的一种手段。它将数据对象的集合分组成为由类似的对象组成的多个簇。同一个簇中的对象彼此相似，不同簇中的对象彼此相异。对象间相似度是根据描述对象的属性来进行计算的。距离是经常采用的度量方式，从机器学习的角度来看，聚类属于无指导学习，与分类不同，聚类和无指导学习不依赖于预先定义的类和带标号的类的训练实例。

聚类分析具有广泛的应用价值，如市场分割、模式识别、生物学研究、空间数据分析、web文档分类。除此之外，聚类分析还可以作为独立的数据挖掘工具，来了解数据发布，或者作为其他数据挖掘算法的预处理步骤。

聚类已经被广泛地研究了许多年，迄今为止，研究人员己经提出了许多聚类算法，大体上这些算法可以分为基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法和基于模型的方法。其中，K-means属于聚类分析中一种基本的划分方法，常采用误差平方和准则函数作为聚类准则。主要优点是算法简单、快速而