第22卷第3期计算机技术与发展V0l_22 No.3
2012年3月computertechnologyanddevelopmentmar.2012
混合模拟退火遗传算法与
hmm web挖掘
dddlh，曾经的战斗机
(南华大学计算机科学技术学院，湖南衡阳421001 )。
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，在Web挖掘中的应用效果不佳。 遗传算法具有较强的全局搜索能力，但容易早熟、收敛慢，模拟退火算法
具有很好的本地搜索能力，但随机漫游，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
遗传算法SGA优化了HMM的初始参数，弥补了对Baum—Welch算法初始参数敏感的缺点，Web挖掘的实验结果表明有5个域提取
的kwdggx和PRE有明显的提高。
关键词：模拟退火算法遗传算法； 隐马尔可夫模型； Web挖掘
中图分类编号： TP391文献识别码： a文章编号： 1673-629x(2012 ) 03—0106—04
webminingbasedonhybridsimulatedannealing
通用algorithm和hmm
ZOULa-mei，贡巷-建
(schoolofcomputerscienceandtechnology，UniversityofSouthChina，Hengynag421001，China )
abstract:thetrainingalgorithmwhichisusedtotraininghmmisasub-optimalgorithmandsensitivetoinitialparameters.typical
hiddenmrakovmodeloftenleadstosub-optimalwhentrainingitwithrandomparmaeters.itineffectivewhenminingwebinformation
wimtypicalhm.gahashteexcellentabmtyofglobalsearchingnadhashtedefectofslowconvergencerate.sahashteeexcellentabil—
ityoflocalsearchingnadhashtedefectofrandomlyroaming.ticombinestheadvantagesofgeneticalgorithmandsimulatednanealingal -
gorithm，proposeshybridsimulatednanealinggeneticalgorihtm (SGA ).sgachoosesthebestsgaparametersbyexperimentandoptimi -
zshmmcombiningbaum-welchduringhtecourseofwebmining.theexperimentalresetsshowhtathtesgasignificantlyimproves
theperfomrnaceinprecisionnadrecal 1。
keywords:simulatednanealingalgorithm； 通用语言； hiddenMarkovmodel； W ebmining
o引用网络的大部分信息是未处理的文本数据，使用的是HMM
随着互联网的发展，进入Web2.0时代，Web已经进行Web挖掘是一种基于统计学习的方法。 因为…
信息制造、发布、正面