1.一种基于K-means和Latent Dirichlet Allocation(LDA)双向验证的网络行为习惯聚类方法，其特征在于，利用人员上网记录中的网页属性、关键词和频数，结合K-means算法、LDA文档主题提取模型和退火算法，先对全体人员-标签-频率集、人员浏览记录-人员-关键词集进行K-means算法聚类和LDA文档主题提取模型生成，存储计算中间结果，之后使用退火算法将K-means和LDA进行双向验证，计算全局最佳主题-分类标签序列，以此为依据优化网络行为习惯聚类的结果；其中，包含模拟退火算法主流程步骤A和成本函数处理流程步骤B：模拟退火算法主流程步骤A1到步骤A26：

步骤A1：设全体人员-标签-频率集为PERSONLABELFREQ={(PERSONp1, LABELp1, 

FREQp1), (PERSONp2, LABELp2, FREQp2), …, (PERSONpa, LABELpa, FREQpa)}，其中，PERSONp1, PERSONp2, …, PERSONpa代表人员唯一标识，LABELp1, LABELp2, …, LABELpa代表人员上网浏览内容的整体属性，一个人员唯一标识可对应多个属性，FREQp1, FREQp2, …, FREQpa代表人员上网浏览内容的整体属性的权重，设人员上网浏览记录-人员-关键词集为RECORDIDPERSONKEYWORD={(RECORDIDr1, PERSONr1, KEYWORDr1), (RECORDIDr2, PERSONr2, KEYWORDr2), …, (RECORDIDra, PERSONra, KEYWORDra)}，其中，RECORDIDr1, RECORDIDr2, …, RECORDIDra代表人员记录唯一标识，由人员唯一标识和上网日期组成，PERSONr1, PERSONr2, …, PERSONra代表人员唯一标识，KEYWORDr1, KEYWORDr2, …, KEYWORDra代表人员上网浏览内容包含的关键词，设主题分布的狄利克雷参数为ALPHA，设关键词分布的狄利克雷参数为ETA，设LDA文档主题提取模型迭代次数为ITERLDA，设K-means聚类算法迭代次数为ITERKMEANS，设分类标签总数为CATEGORYNUM，设LDA文档主题提取模型的主题总数为TOPICNUM，设模拟退火算法温度为T，设模拟退火算法改变步长为STEP，设模拟退火算法冷却参数为COOL；

步骤A2：设K-means聚类算法的结果集为全体人员-分类标签集，即，表示为

KMEANSPERSONCATEGORY，其中，分类标签由自然整数表示；设LDA模型的主题-关键词集为LDATOPICWORD，其中，主题由自然整数表示；设LDA模型的主题-人员集为LDATOPICPERSON，其中，主题由自然整数表示；设全局最佳主题-分类标签序列为FACTOR，设全局最大匹配数为EA，设当前主题-分类标签序列为vecb，设当前匹配数为eb，设主题-分类标签序列当前下标为index，设模拟退火算法当前步长为curstep；

步骤A3：调用K-means聚类算法工具，传入步骤A1的分类标签总数CATEGORYNUM、步骤A1的K-means聚类算法迭代次数ITERKMEANS以及步骤A1的全体人员-标签-频率集PERSONLABELFREQ，得到K-means聚类算法结果集为全体人员-分类标签集，即，得到KMEANSPERSONCATEGORY={(PERSON1, CATEGORYc1), (PERSON2, CATEGORYc2), …, (PERSONa, CATEGORYca)}，其中，KMEANSPERSONCATEGORY来自步骤A2；

步骤A4：调用LDA模型工具，传入LDA文档主题提取模型的主题总数TOPICNUM、主题分布的狄利克雷参数ALPHA、关键词分布的狄利克雷参数ETA、LDA文档主题提取模型迭代次数ITERLDA以及人员上网浏览记录-人员-关键词集RECORDIDPERSONKEYWORD，得到LDA模型的主题-关键词集，即，得到LDATOPICWORD={(TOPICt1, KEYWORD1), (TOPICt2, KEYWORD2), …, (TOPICtb, KEYWORDb)}以及LDA模型的主题-人员集，即，LDATOPICPERSON={(TOPICt1, PERSONp1), (TOPICt2, PERSONp2), …, (TOPICtc, PERSONpc)}，其中，LDATOPICWORD以及LDATOPICPERSON来自步骤A2；

步骤A5：用0到CATEGORYNUM-1之间的随机数初始化全局最佳主题-分类标签序列

FACTOR，序列长度为LDA文档主题提取模型的主题总数TOPICNUM，序列中的每个元素的范围在0到CATEGORYNUM-1之间，其中，CATEGORYNUM为分类标签总数，初始化全局最大匹配数EA为0，即，FACTOR={FACTOR1, FACTOR2, …, FACTORTOPICNUM}，EA=0；

步骤A6：当步骤A1中的模拟退火算法温度T大于0.1时，则执行步骤A7到步骤A25；否则执行步骤A26；

步骤A7：给步骤A2中的主题-分类标签序列当前下标index以随机数赋值，随机数的范围在0和TOPICNUM-1之间，其中，TOPICNUM为步骤A1中的LDA文档主题提取模型的主题总数；

步骤A8：给步骤A2中的模拟退火算法当前步长为curstep以随机数赋值，随机数的范围在-1×STEP和STEP之间，其中，STEP为步骤A1中的模拟退火算法改变步长；

步骤A9：令步骤A2中的当前主题-分类标签序列vecb等于步骤A2中的全局最佳主题-分类标签序列FACTOR，即，vecb=FACTOR；

步骤A10：改变步骤A2中的当前主题-分类标签序列vecb，第index位置上的数值，令vecbindex加上curstep，其中，index为步骤A2重的主题-分类标签序列当前下标，curstep为步骤A2中的模拟退火算法当前步长，即，vecbindex= vecbindex+curstep；

步骤A11：当步骤A2中的当前主题-分类标签序列vecb在第index位置上的数值小于0时，即，vecbindex<0，则执行步骤A12；否则执行步骤A13；

步骤A12：令步骤A2中的当前主题-分类标签序列vecb在第index位置上的数值等于0，即，vecbindex=0；转到步骤A15；

步骤A13：当步骤A2中的当前主题-分类标签序列vecb在第index位置上的数值大于CATEGORYNUM-1时，其中，CATEGORYNUM为步骤A1中的分类标签总数，即，vecbindex>CATEGORYNUM-1，则执行步骤A14；否则执行步骤A15；

步骤A14：令步骤A2中的当前主题-分类标签序列vecb在第index位置上的数值等于CATEGORYNUM-1，即，vecbindex= CATEGORYNUM-1，其中，CATEGORYNUM为步骤A1中的分类标签总数；

步骤A15：获取步骤A2中的全局最佳主题-分类标签序列FACTOR；

步骤A16：执行步骤B；

步骤A17：获取步骤B的结果赋给步骤A2中的全局最大匹配数EA；

步骤A18：获取步骤A2中的当前主题-分类标签序列vecb；

步骤A19：执行步骤B；

步骤A20：获取步骤B的结果赋给步骤A2中的当前匹配数eb；

步骤A21：当步骤A2中的当前匹配数eb大于步骤A2中的全局最大匹配数EA时，即，eb>EA，则执行步骤A22；否则执行步骤A25；

步骤A22：生成随机数random，其中，数值范围在0到1之间；

步骤A23：当步骤A22中的随机数random小于e(eb-EA)/T时，即，random

步骤A24：令步骤A2中的全局最佳主题-分类标签序列FACTOR的值为步骤A2中的当前主题-分类标签序列vecb，令步骤A2中的全局最大匹配数EA的值为步骤A2中的当前匹配数eb，即，FACTOR=vecb，EA=eb；

步骤A25：降低步骤A1中的模拟退火算法温度T，使用步骤A1中的模拟退火算法冷却参数COOL，即，T=T×COOL，执行步骤A6；

步骤A26：返回步骤A2中的全局最佳主题-分类标签序列，即，FACTOR={FACTOR1, FACTOR2, …, FACTORTOPICNUM}；返回步骤A2中的全局最大匹配数EA；

成本函数处理流程步骤B从步骤B1到步骤B15：

步骤B1：获取步骤A中传入的主题-分类标签序列TMPFACTOR；

步骤B2：设LDA文档主题提取模型的人员-分类标签集为LDAPERSONCATEGORY，设人员唯一标识集为LDAPERSON，设人员总数为LDAPERSONNUM，设全体分类标签集为CATEGORY，设匹配数为SUM，设单个人员对应的主题集合为singlepersontopic，设LDA文档主题提取模型中当前分类人员集合为ldacurcategoryperson，设K-means聚类算法中当前分类人员集合为kmeanscurcategoryperson，设重合的人数集合为unionperson，设重合的人数为unionpersonnum；

步骤B3：从步骤A2中的LDA模型的主题-人员集LDATOPICPERSON中筛选出步骤B2中的人员唯一标识集LDAPERSON，并对筛选结果去重，即，LDAPERSON=Π2(LDATOPICPERSON) ={PERSONp1, PERSONp2, …, PERSONpd}；

步骤B4：从步骤A2中的K-means算法的全体人员-分类标签集KMEANSPERSONCATEGORY中筛选出步骤B2的全体分类标签集CATEGORY，并对筛选结果去重，即，CATEGORY=Π2(KMEANSPERSONCATEGORY)={CATEGORYc1, CATEGORYc2, …, CATEGORYcd}；

步骤B5：设循环变量为i，i

步骤B6：从步骤A2中的LDA模型的主题-人员集LDATOPICPERSON中筛选出LDAPERSONi对应的主题集合singlepersontopic，即， ={TOPICt1, TOPICt2, …, TOPICtc}，其中，singlepersontopic来自步骤B2；

步骤B7：对LDAPERSONi对应的主题集合singlepersontopic中每一个主题，从步骤B1中的主题-分类标签序列TMPFACTOR中找到对应的分类标签，其中，令categoryt1  = TMPFACTORTOPICt1、categoryt2 = TMPFACTORTOPICt2、…、categorytc = TMPFACTORTOPICtc，其中，categoryt1  ,categoryt2  , …, categorytc 代表分类标签，并且，不同的变量可能代表同一个分类标签，singlepersontopic来自步骤B2；统计每个分类标签出现的次数，记为categorysnum1, categorysnum2, …, categorysnumCATEGORYNUM，找出分类标签出现次数最大的分类标签category；更新步骤B2中的LDA文档主题提取模型的人员-分类标签集LDAPERSONCATEGORY，即，LDAPERSONCATEGORY=LDAPERSONCATEGORY∪{(LDAPERSONi, category)}；

步骤B8：当循环变量i大于LDAPERSONNUM时，其中，LDAPERSONNUM为步骤B2中的人员总数，则执行步骤B9；否则，i值加1，即，i=i+1，执行步骤B6到步骤B7；

步骤B9：设循环变量为j，j

步骤B10：从步骤A2中的K-means算法的全体人员-分类标签集KMEANSPERSONCATEGORY中筛选出CATEGORYj对应的人员集合kmeanscurcategoryperson，即， = {PERSONkmeans1, 

PERSONkmeans2, … , PERSONkmeansc}，其中，kmeanscurcategoryperson来自步骤B2；

步骤B11：从步骤B2中的LDA文档主题提取模型的人员-分类标签集LDAPERSONCATEGORY中筛选出CATEGORYj对应的人员集合ldacurcategoryperson，即，={PERSONlda1, PERSONlda2, … 

, PERSONldac}，其中，ldacurcategoryperson来自步骤B2；

步骤B12：计算步骤B2中的人员集合ldacurcategoryperson与步骤B2中的人员集合kmeanscurcategoryperson的交集unionperson，即，unionperson=ldacurcategoryperson∩kmeanscurcategoryperson={PERSONunion1, PERSONunion2, … , PERSONunionc}；

步骤B13：统计步骤B2中的重合的人数集合unionperson的人数个数，赋值给步骤B2中的重合的人数unionpersonnum，并叠加到步骤B2中的匹配数SUM，即，SUM=SUM+unionpersonnum；

步骤B14：当循环变量j大于步骤A1中的分类标签总数CATEGORYNUM时，则执行步骤B15；

否则，j的值加1，即，j=j+1，执行步骤B10到步骤B13；

步骤B15：返回步骤B2中的匹配数SUM。

2.根据权利要求1所述的一种基于K-means和LDA双向验证的网络行为习惯聚类方法，其特征在于，聚类是将全体人员上网记录使用K-means聚类算法和LDA模型进行聚类分析，再将两个聚类结果相互验证，并使用模拟退火算法提高优化聚类结果的效率，以此提高聚类准确性。

3.根据权利要求1所述的一种基于K-means和LDA双向验证的网络行为习惯聚类方法，其特征在于，步骤A3到步骤A4提供模拟退火算法所需的初始数据；步骤A7到步骤A12是在模拟退火算法中更改当前解序列中的随机位置上的数值；步骤B5到步骤B8是通过步骤B1的主题-分类标签序列TMPFACTOR与步骤A2中的LDA模型的主题-人员集LDATOPICPERSON进行关联，关联出步骤B2中的LDA文档主题提取模型的人员-分类标签集LDAPERSONCATEGORY；步骤B9到步骤B14是通过比对相同类别中，同时出现在K-means聚类结果中与LDA模型结果中的人员的个数，并叠加各个类别中此类人员的个数，并在流程的最后返回，并作为当前序列的成本；步骤A14到步骤A18是判断eb与EA的大小以及步骤A15的随机数random与e(eb-EA)/T的大小，其中，eb为步骤A2的当前匹配数，EA为步骤A2的全局最大匹配数，当eb>EA并且random

4.根据权利要求1所述的一种基于K-means和LDA双向验证的网络行为习惯聚类方法，设步骤A3中的K-means聚类算法迭代次数ITERKMEANS为300，分类标签总数CATEGORYNUM为

3，步骤A4中的主题分布的狄利克雷参数ALPHA为0.1，关键词分布的狄利克雷参数ETA为

0.01，LDA文档主题提取模型迭代次数ITERLDA为2000，步骤A1的LDA文档主题提取模型的主题总数TOPICNUM为20。