基于多尺度聚类的在线学习数据深度挖掘模型研究

在线学习数据挖掘模型没有考虑数据的非线性，存在查全率、查准率和MMR低的问题。采用支持向量机对在线学习数据进行分类，并采用层次插值方法对在线学习数据中的噪声进行抑制。本文采用多尺度聚类算法对数据关联规则进行递归处理，通过回归分类树构建在线学习数据深度挖掘模型，并借助相似递归函数求解深度挖掘模型的最优解，完成在线学习数据深度挖掘。结果表明，该方法与理想的分层结果分布具有较高的拟合度，数据挖掘的精密度、召回率和MRR均优于传统方法。