4] 下面结合附图对本发明的技术方案进行详细说明：
[0045] 传统的基于LF蚁群算法的数据聚类方法存在聚类效率低下的缺陷，同时其聚类 准确度也有待提高。为此，本发明针对传统LF蚁群聚类方法的不足，对其进行改进，以提高 聚类效率及聚类准确率。下面对这些改进之处进行详细说明。
[0046] 现有LF蚁群聚类方法中的相似度函数如下：
[0047]
[0048] 上述相似度函数形式比较复杂，计算复杂度较高，且其中存在多个需要人为设置 的参数，较易出现由于参数设置不合理而导致相似性描述不准确的情况发生，进而影响聚 类结果的准确性。为此，本发明首先对其中的相似度度量进行了改进，改进后的相似度函数 具体如下：
[0049]
[0050] 式中，f(Xl)表示负载蚂蚁所负载的数据对象或空载蚂蚁所在网格单元的数据对 象\与该蚂蚁能观察到的数据对象之间的相似度，Neighsxs(r)表示该蚂蚁所在网格单元 r的大小为SXS的邻域；S为蚂蚁的观察半径；叫表示Neighsxs(r)中数据对象的总数； cKx^Xj)表示叉工与Neighsxs(r)中的数据对象~之间的欧氏距离；考虑至IJ在数据对象的m 个属性中，每个属性的重要程度是不同的，因此对相似度的贡献也不同，因此欧式距离优选 采用以下计算方法：
[0051]
[0052] 其中，m为数据对象的属性类别数（即数据对象向量的维数）；xlk、x]k分别表示数 据对象Xl、X]的第k类属性；A,是数据对象的第k类属性的权重，可以根据经验人为设定， 也可以预先通过主成分分析（PrincipalComponentAnalysis，PCA)方法得到。
[0053] 上述相似度定义简化了描述方法，减少了参数设置，使得整个算法的复杂度大幅 降低，同时能更加准确的描述相似度。
[0054] 传统LF蚁群算法中蚂蚁的移动是随机的，总是会出现一些孤立点一直未被拾起 的现象，或者当前蚂蚁所捡起的数据点是被其他蚂蚁捡起过的数据点，严重降低了算法效 率。针对这一问题，本发明为空载蚂蚁和负载蚂蚁分别设计了定向移动策略，以提高蚂蚁的 移动效率。
[0055] 传统的LF蚁群聚类算法中空载蚂蚁是随机移动的，为了提高其运动效率，本发明 采用一个&X2位置记录矩阵BN，BN第一列记录所有待聚类数据对象的序号，第二列记录数 据对象的位置坐标（x，y)。只要数据对象的位置有更新，就将新的位置代替原来的位置坐 标。如果在位置记录矩阵中有数据对象位置没有变化，表明这些数据对象还没有被捡起，空 载蚂蚁移动时，先向这些还没有被捡起过的数据对象移动，这样可以有效避免一些孤立点 一直未被拾起的现象，能够提高蚂蚁的移动效率。初始化时，空载蚂蚁是随机移动的；然后， 空载蚂蚁就根据位置记录矩阵^向这些还没有被捡起过的数据对象进行移动，如存在多个 还没有被捡起过的数据对象，则从中随机选取一个作为移动的目标；当位置记录矩阵中的 第二列都有变动时，表明所有数据对象均已被捡起过，此时空载蚂蚁就恢复随机移动。
[0056] 为了提高蚂蚁运动效率，本发明采用全局记忆来指导负载蚂蚁移动。在算法运行 过程中，所有蚂蚁共享一个\X3的全局记忆矩阵AM，AM的第一列放置的是当任意一只蚂蚁 放下数据对象时的数据点X，第二列放置的是与数据点相对应的数据对象被放下的概率Pd， 第三列放的是数据点X的位置坐标（X(]，y。）。矩阵AM被所有蚂蚁共享和操作。初始化阶段， 全局记忆矩阵AM的第一列放入从待聚类数据中随机选择的I个数据点，第二列全部初始化 为〇,随机选择的\个数据点称为初始信息。当任一只蚂蚁放下数据点X4寸，此时放下的 概率为Pd (i)。在全局记忆矩阵AM中，首先查找是否有被其他蚂蚁"捡起"的数据点，若被捡 起，则该点失去指导意义，成为失效点。若有失效点，则使用新的数据点XjPPd(i)替换失 效点。如果全局记忆中没有失效点，则寻找？4中的最小值Pd _，如果Pd _〈Pd(i)，使用新 的数据点XjPPd⑴替换Pd _所对应的数据点，否则保持不变。捡起数据Xi后的负载蚂 蚁直接寻找记忆矩阵AM中与数据点Xi相似度最大且没有失效的点X，找到X当前坐标（x。， %)。找到坐标后，采用以下的定向移动策略移动到X点为中心，边长为蚂蚁观察半径S的 正方形区域内的坐标（x_，y_)处：
[0059] 其中，Int是向下取整函数，a是[-1，1]之间的随机数。
[0060] 蚂蚁定向移动时，可能会移动到有数据的位置。因此，如果目标位置在网格内且被 其他数据占据，就找其随机的相邻空位；如果超越网格边界，则重新计算定向移动位置；如 果多次移动均不在网格内，则保持不动且显示"第x只蚂蚁定向移动失败"。存在多个最相 似数据时，随机选取一个数据对象作为定向移动的对象。
[0061] 传统LF蚁群算法蚂蚁的观察半径S是固定的，本发明采用根据算法运行次数，逐 渐增大观察半径的方法，逐渐增大蚂蚁的观察范围，从而加快算法收敛。本发明观察半径自 适应调整的公式为：
[0062]
[0063]
[0064] 其中Int()是向下取整函数，mod〇是取余函数，T_是总迭代次数，t表示当前迭 代次数，S(t+1)表示第t+1次迭代中蚂蚁的观察半径，M、N分别为预设的观察半径下界、上 界。公式表示蚂蚁观察半径在每n(t)次迭代后就增加1，观察半径S从M逐渐增加到N。
[0065] 传统蚁群聚类算法的最大迭代次数都是设定的，需要通过测试集来事先确定迭代 次数，本发明提出终止运算的控制机制。当运行过程中，蚂蚁不再进行捡起和放下的动作， 表明待聚类对象已经聚类到最合适的类中，此时可以终止循环。为实现这样的控制机制，本 发明采用蚂蚁运动记录矩阵QX3,其第一列是序号，第二、三列初始状态设置为0。蚂蚁运 动后，蚂蚁每进行一次捡起、放下的动作，第二、三列就增加1，直到蚂蚁不再捡起、放下，同 一只蚂蚁的第二、三列记录的运动次数相等且不再变化时，表明该只蚂蚁找不到需要移动 的点，当所有的蚂蚁出现这种情况时，表明聚类已经成功，此时即可终止迭代运算，输出聚 类结果。这样的控制机制，可以有效防止达到最大迭代次数时有些蚂蚁捡起数据对象仍未 放下的情况，提高了聚类的准确性。
[0066] 优选地，本发明采用Sigmoid函数作为概率转换函数。该函数是非线性函数，只需 要设置1个参数，且设置合适的参数后，比传统的概率转换函数有更好的收敛性。本发明将 概率转换函数定义为：
[0069] 其中，c为需要设置的参数，e为自然底数，fU)为相似度函数。
[0070] 图1显示了本发明一个优选实施例的基本流程，该优选实施例中包括了上述各项 改进。如图1所示，本发明数据聚类方法包括以下步骤：
[0071] 第一步，初始化观察半径、蚂蚁数目、全局记忆矩阵AM、位置记录矩阵BN、蚂蚁运动 记录矩阵C。
[0072] 第二步，将待聚类数据随机投影到二维平面，蚂蚁随机分布到二维平面。
[0073] 第三步，蚂蚁移动到任意待聚类对象\位置R。
[0074] 第四步，计算R位置处观察半径内相似度以\)、匕，产生在[0, 1]服从均匀分布的 随机数Q。
[0075] 第五步，ifPp>Qthen捡起X;，定向移动到新位置
[0076] else空载蚂蚁根据位置记录矩阵仏移动到新位置。
[0077] 第六步，负载蚂蚁到达一个空闲位置，计算该位置观察半径内相似度f(Xi)、Pp，产 生在[0, 1]服从均匀分布的随机数Q。
[0078] 第六步，ifPd>Qthen放下Xi，蚂蚁移动到新位置
[0079] else负载蚂蚁根据全局记忆矩阵AM移动到新位置。
[0080] 第七步，根据蚂蚁运动记录矩阵C及控制机制，达到最大迭代次数，算法结束，输 出结果。
[0081] 本发明的数据聚类方法可广泛用于各类数据的挖掘，下面以B2B平台客户偏好获 取为例来说明其在电子商务技术领域的应用。本发明的B2B平台客户偏好获取方法，具体 包括以下步骤：
[0082] 步骤1、获取影响客户偏好的因素；
[0083] 本实施例中影响客户偏好的因素具体如下：
[0084] 供应商维度
[0085] L物流服务
[0086] (1)时间质量。时间质量指供应商处理买方客户订单时的效率情况，发货的速度。 买方客户在购买时，有时会对时间上做出特别要求。供应商能否达到要求，影响着买方的决 策。
[0087] (2)人员沟通质量。人员沟通质量是指买方能及时掌握物流信息，能够与物流服务 人员保持信息通畅。
[0088] (3)响应质量。响应质量主要面对客户提出的物流服务数量变动，日常客户投诉、 服务应答以及退换货处理的反应速度。
[0089] 2?营销服务
[0090] (1)售前服务。售前服务是供应商推出的吸引客户的服务，起到帮助客户熟悉产品 性能，以及帮助客户了解购物环境等作用。
[0091] (2)售中服务。当客户表达购买意愿后以及在实施