第11章其他挖掘方法讲述.ppt

11.3.1 空间数据概述 1. 空间数据的基本类型 　　空间对象特征主要包含空间特征和属性特征，所以空间数据通常分为空间数据和属性数据。 2. 矢量数据模型 　　矢量数据利用了几何图形例如点、线和面来表现空间对象。 　　以二维空间为例，点对象的表示为：[地物编号；（x,y）]。例如，如图11.9所示，共有11个点，它们分别表示为[1；（2，2）]、[2；（3，1）]、…、[11；（9，5）]。　 　线对象的表示为：[地物编号；点序列]。例如，由点2、1、8、7构成的线对象表示为[L1；2，1，8，7]。 　　面（多边形）对象的表示为：[地物编号；点序列]。例如，面A的表示为[A；6，10，9，8，7，6]。 　　【例11.1】假设a、b、c是3个网页，其链接结构如图11.6所示。在开始计算之前先要赋给每个网页一个初始PageRank值（初始值的选取不会影响PageRank值计算的结果），假设为（0，2.5，2.5）。计算的过程如下。 （1）第1次迭代： PR(a)=PR(c)/1=2.5 PR(b)=PR(a)/2=0（式中PR(a)=0） PR(c)=PR(a)/2+PR(b)/1=2.5（式中PR(a)=0，PR(b)=2.5） （2）第2次迭代： PR(a)=PR(c)/1=2.5/1=2.5 PR(b)=PR(a)/2=2.5/2=1.25 PR(c)=PR(a)/2+PR(b)/1=1.25+0=1.25 　　（3）如此迭代下去，直到收敛（通常收敛条件为两次迭代之间的PageRank值小于某个阈值）。 　　在上述PageRank值简单的计算过程中，若某个网页的链出数为零（也称为孤立网页），计算过程就无法进行下去。为此修改PageRank值的计算公式如下： 　　其中，p1、p2、…、pN是N个被研究的网页，L(pj)是网页pj链出的数目。 　　其基本思想是：浏览者在一组无限周期性循环链接中浏览某个网页时，一段时间后会感觉到厌倦，然后随机地跳转到任何网页。用q表示停留在当前网页的概率，1-q表示随机地跳转到任何网页的概率，q也称为阻尼系数。当浏览到一个孤立网页时，可以理解为可以随机地跳转到任何网页，所以可用链出数为N。q一般取值为0.85。 　　E(pi)为网页pi的原始rank值，给不同的网页赋予不同的值可以使搜索结果不同，可以用于提供个性化的搜索，一般地，置每个网页的值为1，即： 　　N个网页的PageRank值是一个特殊矩阵中的特征向量，这个特征向量为： R是如下等式的一个解： 　　如果网页pi有指向网页pj的一个链接，则l(pi，pj)=1；否则l(pi，pj)=0。 　　可以使用幂法求解PageRank值，即转换为求解　　　　的值，其中矩阵为A=q×P+(1-q)×E/N，P为概率转移矩阵。 幂法计算PageRank值的算法如下： 输入：矩阵A，阈值ε 输出：PageRank矩阵R（表示N个网页的PageRank值） 方法：其过程描述如下： X为任意一个初始向量，用以设置每个网页的初始PageRank值，一般均为1; R=AX; while (true) //迭代 { if (|X-R|ε) //如果最后两次的结果近似或者相同，返回R return R; else { X=R; R=AX; } } 　　【例11.2】假设网页链接结构图如图11.6所示的，即N=3。设阈值ε的各元素值为0.01，采用PageRank算法求各网页PageRank值的过程如下。 （1）求A矩阵 ① 求网页链接矩阵、概率矩阵和概率转移矩阵 　　由图11.6直接得到网页链接矩阵P。图中网页a链向网页b和c，所以一个用户从网页a跳转到网页b或c的概率各为1/2。因此由P根据每个网页的链出数求出概率矩阵P。再将P转置，得到相应的概率转移矩阵PT，如图11.8所示。 ② 求E/N。 求E/N的结果如下： ③ 求A矩阵 A=q×P+(1-q)×E/N=0.85×P+0.15×E/N，其结果如下： 初始每个网页的PageRank值均为1，即 （2）循环迭代计算PageRank值。 ① 第1次迭代 ② 因为X与R的差别较大，第2次迭代。 …… ④ 第9次迭代。 　　此时收敛条件成立（两次迭代之间的PageRank值小于等于0.01），所以最终结果为（1.16，0.64，1.20），这样c网页最权威。 　　PageRank算法的优点是：它是一个与查询无关的静态算法，所有网页的PageRank值通过离线计算获得；有效减少在线查询时的计算量，极大降低了查询响应时间。 　　其缺点是：人们的查询具有主题特征，PageRank忽略了主题相关性，导致结果的相关性和主题性降低，例如，许多链接只是