构建模型以利用广告和用户的分类特征，灵感源自Coffee Break Python

1.1基于广告和用户的分类特征建立模型 1.1.1聚类算法 在用户行为特征分析模块中，需要通过聚类对用户访问的同一类网页进行相 似性聚合。聚类（就是按照某个特定标准如距离准则分割一个数据集为不同的簇 或类，使得同一个簇内的数据对象拥有尽可能高的相似度，不同簇中的数据对象 的相似度尽可能低。即聚类后同一类的数据尽可能聚集到一起，不同类用户行为 特征分析关键技术数据尽量分离聚类分析以相似性为基础，在一个聚类中的模式 之间比不在同一聚类中的模式之间具有更多的相似性。 聚类算法有很多种，对于具体的应用，聚类算法的选择取决于数据的类型、 聚类的目的等。主要的聚类算法可以分为如下几种：划分法、层次法、基于密度 的方法、基于网格的方法以及基于模型的方法。其中 k-means是划分法中较经 典的聚类算法之一。由于该算法的效率高，所以广泛应用于大规模数据聚类。目 前，以该算法为基础扩展和改进出了许多新算法。k-means算法以 k为参数，把 n个数据对象分成 k个不同的簇，使得簇间数据相似度较低，簇内数据相似度较 高。 聚类过程为：首先任意地选择出 k个数据对象，其中每个对象代表了一个簇 的初始质心或平均值，然后分别计算剩下的每个数据对象与各簇质心的距离，并 将该数据对象归为距离最近的族，最后重新计算该簇的质心。 根据用户行为特征分析的实际需要，本文在 k-means聚类算法的基础上扩 展出一种简单聚类算法，接下来结合 k-means算法在网页聚合中的实际应用， 对该算法进行详细解析。 网页特征词被提取出之后，然后该聚类算法依赖于向量空间模型进行相似 网页聚合。聚合时需要给定一个标准β，当两个网页的相似度大于该标准值时， 它们被认为是相似网页并被归为同一簇，在由相似网页组成的网页簇中，簇的质 心计算方法为：