聚类算法在数据挖掘、模式识别和机器学习等领域有着广泛的应用,它是数据挖掘技术中的重要组成部分。海量数据的出现,使数据挖掘技术的应用层出不穷,其中聚类分析是大数据处理的基本操作。聚类算法就是将相似的元素划分在一类,将差别大的元素划分在不同类。本文研究了各种经典聚类算法,其中密度聚类和密度峰值聚类算法是着重研究的,在此基础上提出了相应的改进算法,并将改进算法应用于图书推荐系统。具体研究内容包括以下三个方面:(1)针对密度聚类算法计算的复杂性,提出一种利用Warshall算法降低其复杂性的改进算法W-DBSCAN。在密度聚类算法中,相似度高的数据是密度相连的,本文构造了一个矩阵(n×n),其中元素(x,y)标记为1指的是数据x和y是直接密度可达,然后利用Warshall算法计算该矩阵的可达矩阵,可达矩阵指密度相连的数据。通过Warshall算法,将求解密度相连问题转化为求解可达矩阵问题,降低了算法的复杂性。(2)针对密度峰值算法需要在决策图上选择质心点并不适应于所有数据的问题,提出一种新的集成聚类算法IDF。首先,将局部密度最大的数据对象作为第一个质心;其次,从它出发采用W-DBSCAN算法进行聚类,得到第一个簇;然后从剩余数据中寻找局部密度最大的数据对象,即没有划分类别的数据中局部密度最大的数据,将它作为另一个质心,继续用W-DBSCAN算法进行聚类;最后,通过迭代上述步骤直到所有数据被处理,算法结束。(3)针对大学生在学校图书馆中盲目选择图书或者不知道有哪些图书适合自己阅读的问题,利用聚类和协同过滤算法提出了一个高校图书推荐系统,通过IDF算法聚类得到的第一类结果是所有读者最感兴趣内容,将该部分内容对新加入图书馆的读者推荐解决了“冷启动”问题。首先,搜集并整理数据:然后对读者的历史浏览记录聚类,即对读者进行了划分;最后,利用协同过滤算法计算目标读者的Top-n邻居集,并生成推荐。