隐马尔可夫模型训练算法是一种局部搜索算法，对初始值敏感。 传统方法采用随机参数训练隐马尔可夫模型常常陷入局部最优，在Web挖掘中应用效果不佳。 遗传算法具有较强的全局搜索能力，但早熟容易收敛慢，模拟退火算法具有较强的局部搜索能力，但能随机行走，缺乏全局搜索能力。 综合考虑遗传算法和模拟退火算法的特点，提出混合模拟退火算法SGA，优化HMM初始参数，弥补Baum-Welch算法对初始
第二卷第三期2 1 3月02年
计算机技术与发展
CMP trtcoogdeeometouehnlyanvlpne
V0 _ 2 No 3 l2 . Ma . 2 1 r 02
基于混合仿真退火一传算法和遗传HMM的We b挖掘
亲爱的吐司，nxdxtz
(南华大学计算机科学技术学院，南衡阳4(10 )湖20 ) 1
摘要：隐马尔可夫模型训练算法是一种局部搜索算法，对初始值敏感。 传统方法多采用随机参数训练隐马尔可夫模型
陷入局部最优，用于We响应b挖掘效果不佳。 遗传算法具有较强的全局搜索能力，容易早熟、低速，退火算法具有较强的局部搜索能力，但在收敛模拟中具有较强的局部搜索能力，成为随机行走，搜索能力不足。 综合考虑遗传算法和模拟退火算法的特点，给出了混合模拟退火，但提到了全局
一
遗传算法S A优化了H G、MM的初始参数，弥补了Bu We h算法对初始参数敏感性的缺陷，b挖掘的实验结果表明了5个域挖掘am— l c We
采取的R C和P E会明显提高。 E R关键词：退火算法； 模拟遗传算法； 隐马尔可夫模型； B挖掘挖瓦挖
中图分类编号： P9 T 31文献识别码： a文章编号：7-2x(02-160136921 )3 00—4 6
weiisdnhyrdsiuaannaigbmngbaeobimltdeln
geIgrtmntaloIchadhmm ) geIgrtmntaloIchadhmm
Z U L - iG N Xi g j n O a me，O G a -i n a
(co l f o ue c neadT c nlg，iesyo o t hn，n y g 2 0 1 C n ) shomptsicnehooyunrtfsuciahega 10，h a oC r e v i h n 4 i
abttthrigrtithistighighmmsb-otlagrhagrhdsnivoiatr.PCL src : etnloihhhcseota niupiotmnestntlprmestyamaihihdeakvmoefedostata
maeesietvenefrtoidnodlotnlastu-otmawhntiigitrnotrhtrhtr.tifciewhnmigiomainsn
wi tpc m y ia HM l
. gaaeecletamtfgolerhndhstedfcfsocnegnert.aaeecletai-hstxelnbyolbaacigaeetlwovrecaeshstxelnblhsnhohh
ioaerhndhstedfcfrnoyran.oiehdnaefgntloihadsmuaenaiga-tolcsacigaeetodmlomigicmbnseavatgsoeiagrmniltdaelyfnatctnl
grh，RPssyrIlenaiggntloTM(ga ) sacosshetgaatrbxemetnpi-oimpooebdsadaeleecgrthimuniahs.ghoebsaprmeeeyeprndotsiami
zshmmoiigbam-ecuigtecueoennthxemetlrsssotaesecmbnnuwlhdrnorfwbmiig.eeprnaethtgainfcntmpoehsihhhsgialirvsiy
tefracnpeiinadrcl.heproneircsonea1mkers : iltdanaigagrtm； e e c ag r m； i d n M a k v mo e； ennywodsmuaeloInhgntlotihderodwbmig ) enywodsmuAE ) inhg ) n ) n ) t ) Ihh ) d ) wbmig )。
o引言
随着互联网的发展进入We2 0时代，b. We已经成为信息制造、发布、加工和处理的主要平台，越来越多的人参与了互联网的建设，b上的数据每年呈指数增长，面临着这一挑战
虽然是一个巨大的数据库，但是人们经常
网上信息大部分是未经处理的文本数据，利用H M M进行We b挖掘是一种基于统计学习的方法。 因为…
要用未标记的数据训练H MM，通常随机设置H M的初始m
由于是初始参数，H MM的初始参数具有不确定性，而隐马尔可夫模型的常用训练算法B u We h是局部am— l c搜索算法，对模型的初始值非常敏感，因此隐马尔可夫模型的训练常常是局部极值遗传因子
人们往往陷入“信息丰富、信息匮乏”的数信困境，渴望从这些网络资源中快速准确地找到自己需要的信息，近年来兴起和快速发展的We数据挖掘技术给人们b带来了希望。 隐马尔可夫模型(i e a o d Hd nM r vMo- d k e，MM ) we是挖掘的重要方法之一，3o互lH为b数-1
算法是实践证明有效的优化算法，模拟达尔文的遗传选择和自然淘汰的生物进化过程，功能强大
的全局搜索能力，但也有早熟收敛、后期搜索效率
低缺陷。 模拟退火算法也是一种常用的优化算法，是其模型
稿件受理日期： 0 1 0— 6回收日期： 011—821—72； 2 1 - 0 2
热力学物理淬火过程，有一定概率接受目标函数的退化，另一方面向目标函数的优化方向反复，
基金项目：省教育科研基金资助项目(0 l7 )；湖南省教育科湖南1C 6； 1研2 1基金资助项目01作者简介：腊梅(9)女、高雅店员、讲师、硕士，研究方向为计算机网络、研究数据挖掘、信息检索。
因此，虽然可以从局部最佳解中脱离出来，可以可靠地获得全局最佳解，但该
算法收敛速度慢，存在随机行走的缺点。 因此，本文充分考虑了两种优化算法各自的特点来计算模拟退火