我有一个来自访问网络日志文件的数据集，我有兴趣找到类似的集群。 （我是数据挖掘的绝对初学者）。到目前为止，我已经在同一个问题领域提到了许多研究论文。
An Efficient Approach for Clustering Web Access Patterns from Web Logs
Classifying the user intent of web queries using k-means clustering
我想使用k-means聚类来聚类网页。虽然这些论文讨论了算法，但它们没有指定提供输入数据集的方式。 k-means使用欧几里德距离计算数据点之间的相似性。因此，如何使用k-means规范化我的数据集以进行挖掘，因为网址不能直接用于k-means。对此有何帮助/好的参考？
示例数据集（p1..pn是不同的网页）
p1,p2,p3,p4
p1,p2
p1,p5,p6,p7
p1,p2,p3,p5
答案 0 :(得分：2)
如果我理解正确，那么您就拥有了一组网页，并为每个网页访问过这些网页。例如（0 - 未访问，1 - 访问）：
WebPage | user1 | user2 | user3
webpage1 | 0 | 1 | 1
webpage2 | 1 | 0 | 0
webpage3 | 0 | 1 | 1
你想要找到这些网页之间的距离。
然后两个网页之间的欧几里德距离是：
d（wp 1 ，wp 2 ）= sqrt（（u 1,1 < / sub> - u 2,1 ）^ 2 +（u 1,2 - u 2,2 ）^ 2 + ... +（u 1，n - u 2，n ）^ 2），
其中u 2,1 = 1 if user1已访问过网页2，否则为0
所以d（网页1，网页2）= sqrt（（0 - 1）^ 2 +（1 - 0）^ 2 +（1 - 0）^ 2）= sqrt（3）
d（webpage1，webpage3）= sqrt（0 + 0 + 0）= 0 =它们之间的距离为零
您还可以为每个用户考虑特定网页访问次数，而不是访问网页使用加权值而不是1：numberOfParticularWebPageVisits / numberOFAllUsersWebpageVisits