論異構數(shù)據(jù)庫語義聚類
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了論異構數(shù)據(jù)庫語義聚類范文，希望能給你帶來靈感和參考，敬請閱讀。
定義人工魚個體的狀態(tài)為X＝（x1，x2，…，xn），其中xi（i＝1，…，n）為第i條人工魚的狀態(tài)，即欲尋優(yōu)的變量；人工魚當前所在位置的食物濃度為Yi＝f（xi），其中Yi為目標函數(shù)；dij＝‖Xi－Xj‖表示人工魚個體之間的距離；visual表示人工魚的視野范圍；step表示人工魚移動的步長；try＿number表示最大嘗試次數(shù)；δ表示擁擠度因子。1）覓食行為設人工魚當前狀態(tài)為Xi，在其視野范圍內(nèi)隨機選擇一個狀態(tài)Xj（dij＜‖Xi－Xj‖），如果Yj＞Yi，則Xi向Xj前進一步；反之重新選擇狀態(tài)Xj，判斷是否滿足前進條件。試探try＿number次后，如果仍然不滿足前進條件，則執(zhí)行隨機行為。2）聚群行為設人工魚當前狀態(tài)為Xi，搜索其視野范圍內(nèi)（dij＜vis－ual）的同伴的個數(shù)Nf以及中心位置Xc，若Yc／Nf＞δYi，說明同伴中心食物濃度較高而且周圍不太擁擠，則Xi向同伴中心方向前進一步；否則執(zhí)行覓食行為。3）追尾行為設人工魚當前狀態(tài)為Xi，搜索其視野范圍內(nèi)（dij＜vis－ual）的同伴中Yj為最大的Xj，若Yj／Nf＞δYi，說明同伴Xj的狀態(tài)具有濃度較高的食物而且周圍不太擁擠，則Xi向Xj方向前進一步；否則執(zhí)行覓食行為。4）隨機行為設人工魚當前狀態(tài)為Xi，在其感知范圍內(nèi)隨機選擇一個狀態(tài)Xj進行移動。
由于硬件平臺、操作系統(tǒng)等的不同，來自不同數(shù)據(jù)庫的數(shù)據(jù)對相同屬性的描述存在不一致性。語義聚類就是解決上述問題的一種方法。語義聚類是根據(jù)文字自動識別所表達的語義，然后對不同的信息源的數(shù)據(jù)進行正確的聚類。這是將異構數(shù)據(jù)庫的數(shù)據(jù)整合在一起所要克服的最大的困難之一。在進行聚類之前，首先需要對數(shù)據(jù)庫的屬性信息作預處理，例如文獻［10］針對異構數(shù)據(jù)，將預處理階段分為文本數(shù)據(jù)預處理和數(shù)值數(shù)據(jù)預處理。通過刪除與數(shù)據(jù)聚類無關的數(shù)據(jù)，并將保留下的數(shù)據(jù)轉化為統(tǒng)一的格式，實現(xiàn)數(shù)據(jù)的清洗。因此本文中的異構數(shù)據(jù)庫語義聚類過程分為預處理和數(shù)據(jù)聚類兩個階段［11］。如圖1所示。通過對異構數(shù)據(jù)庫語義的聚類，可以在異構數(shù)據(jù)庫的整合中提供依據(jù)。預處理階段的任務：首先將關系型數(shù)據(jù)庫中數(shù)據(jù)表各列的屬性信息存放到文件中，使用簡單的語法規(guī)則對其進行規(guī)范化，將規(guī)范化后的屬性信息使用空間向量進行表示。隨后對屬性信息進行矢量化，這使得從異構數(shù)據(jù)庫中提取的屬性信息的正確性和完整性得到了保證，也為隨之的數(shù)據(jù)聚類作了準備。聚類階段是使用人工魚群算法對各個屬性進行語義聚類。
基于魚群算法的語義聚類算法描述
步驟1：語義信息預處理；步驟2：算法初始化。設定人工魚的視野范圍visual，擁擠度因子δ，試探的最大次數(shù)try＿number，最大化迭代次數(shù)Number；步驟3：計算各條人工魚當期狀態(tài)下的食物濃度，并登記在公告板上；步驟4：每條人工魚分別進行群居行為和追尾行為，選擇食物濃度高且不擁擠的方向前進，如果優(yōu)于公告板的狀態(tài)，則用該狀態(tài)替換原有狀態(tài)；步驟5：執(zhí)行步驟3和步驟4，直到滿足終止條件或滿足最大迭代次數(shù)；步驟6：對上述步驟得到的聚類結果應用模糊C－均值聚類算法，對結果作進一步的局部優(yōu)化，從而產(chǎn)生精度較高的最終聚類結果。
仿真實驗及分析
首先以一個簡單的例子來說明該算法的可行性。假設現(xiàn)有一個關系數(shù)據(jù)庫中的七個屬性：Oracle數(shù)據(jù)庫學生基本信息表中有四個屬性，SQL Sever數(shù)據(jù)庫圖書借閱信息表中有三個屬性，如表1所示?！⒈?中的屬性信息向量化，降至三維數(shù)據(jù)后進行聚類，結果如圖2所示?？梢钥闯鲚斎霐?shù)據(jù)聚集為兩類，其中與用戶相關的信息聚集為一類，與圖書相關的信息聚集為一類。因此基于魚群算法的語義聚類算法可以很好地將輸入的數(shù)據(jù)對象按照語義進行分類。為了驗證算法的有效性，采用聚類準確率對聚類結果進行分析。聚類準確率是指各個聚類中所有被正確聚類的樣本數(shù)的總和與樣本集樣本總數(shù)的比值［12］。聚類準確率越大表明聚類準確度高，聚類效果好，反之聚類效果越差。該實驗所采用的實驗數(shù)據(jù)樣本集是根據(jù)某單位四個信息管理系統(tǒng)所使用的數(shù)據(jù)庫的屬性信息組成，如表2所示。樣本集Ⅰ由70個數(shù)據(jù)對象組成，包含3類4維的數(shù)據(jù)對象，其中3類數(shù)據(jù)對象的數(shù)目分別為：25，22，23；樣本集Ⅱ由113個數(shù)據(jù)對象組成，包含6類16維的數(shù)據(jù)對象，其中6類數(shù)據(jù)對象的數(shù)目分別為：25，20，17，10，22，19；樣本集Ⅲ由199個數(shù)據(jù)對象組成，包含4類7維的數(shù)據(jù)對象，其中4類數(shù)據(jù)對象的數(shù)目分別為：43，58，47，51?！”?是上述三個樣本集的聚類結果以及聚類準確率；表4是該算法與其他算法在樣本集Ⅲ上的比較。這說明算法具有比較好的聚類效果，對于異構數(shù)據(jù)庫語義聚類比較理想。
通過對人工魚群算法的局部搜索和全局搜索能力的研究，將魚群算法應用在異構數(shù)據(jù)庫語義聚類方面。通過模仿魚群的社會行為來對異構數(shù)據(jù)庫相似語義進行合理的聚類。實驗證明該方法達到了較好的聚類結果，在正確率方面取得了較好的結果，具有一定的實用價值。（本文作者：朱新寧、馮輝 單位：東北石油大學計算機與信息技術學院、東北石油大學經(jīng)濟管理學）