有没有一种方法可以使用找到的序列模式作为聚类算法的输入

Question

我正在做一个根据用户在网站上的冲浪模式对用户进行分类的项目。

为此，我需要在数据中找到模式，然后对它们进行聚类，但聚类是一个问题，因为我尝试过的聚类算法(k-means、agglomerative和DBSCAN)不允许将列表作为输入数据。

我有被访问的页面列表，按会话分隔。

示例：

data = [[1, 2, 5],
        [2, 4],
        [2, 3],
        [1, 2, 4],
        [1, 3],
        [2, 3],
        [1, 3],
        [7, 8, 9],
        [9, 8, 7],
        [1, 2, 3, 5],
        [1, 2, 3]]

每个列表表示一个与已访问页面的会话。每个数字代表URL的一部分。

示例：

1 = '/home'
2 = '/blog'
3 = '/about-us'
...

我将数据放在一个模式挖掘脚本中。

代码：

import pyfpgrowth # pip install pyfpgrowth

data = [[1, 2, 5],
        [2, 4],
        [2, 3],
        [1, 2, 4],
        [1, 3],
        [2, 3],
        [1, 3],
        [7, 8, 9],
        [9, 8, 7],
        [1, 2, 3, 5],
        [1, 2, 3]]

patterns = pyfpgrowth.find_frequent_patterns(data, 2)
print(patterns)

rules = pyfpgrowth.generate_association_rules(patterns, 0.7)
print(rules)

结果：

# print(patterns)

{(1,): 6,
 (1, 2): 4,
 (1, 2, 3): 2,
 (1, 2, 5): 2,
 (1, 3): 4,
 (1, 5): 2,
 (2,): 7,
 (2, 3): 4,
 (2, 4): 2,
 (2, 5): 2,
 (4,): 2,
 (5,): 2,
 (7,): 2,
 (8,): 2,
 (9,): 2}

# print(rules)

{(1, 5): ((2,), 1.0),
 (2, 5): ((1,), 1.0),
 (4,): ((2,), 1.0),
 (5,): ((1, 2), 1.0)}

根据我正在使用的paper，下一步将使用找到的模式作为聚类算法的输入(第118页，第4.3章)，但据我所知，聚类算法不接受列表(具有可变长度)作为输入。

我试过了，但不起作用。

代码：

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=4, random_state=0).fit(patterns)

test = [1, 8, 2]

print(kmeans.predict(test))

我应该怎么做才能让k-means算法能够预测冲浪模式所属的组，或者是否有其他算法更适合这一点？

提前感谢！

Answer 1

HAC和DBSCAN都可以与列表一起使用。

您只需要自己计算距离矩阵，因为您显然不能对此数据使用欧几里德距离。而不是。例如，您可以考虑Jaccard。

不能使用K-means。它需要R^d中的连续数据。