随着网络化信息技术的广泛应用，大量商业数据流随之涌现，并以几何方式保持增长，具有海量性、动态性、不确定性、漂移性、噪声性等特点，隐含着大量有价值的信息。由于数据收集不完全、软硬件环境、传输状况等因素的影响，导致大量数据流的信息不完全，其数据的真实性是具有一定的概率的。同时，数据流的动态性、漂移性使得目标概念随着时间、季节或其他因素的影响而发生改变，甚至发生根本性的改变，即发生了漂移现象，使得原有的挖掘结果不再满足新的用户需求。因此，针对不确定数据流如何进行快速有效的聚类，并及时准确地检测、分析和预测漂移的变化，从而更好地为用户提供个性化服务已成为一个研究热点。　　 基于以上问题，本文提出了一种融入簇存在强度的数据流聚类及漂移检测模型，主要研究内容包括以下几个方面:　　 第一，针对不确定的商业数据流，本文提出了一个融入不确定性的Web用户分析模型。模型由数据预处理层、聚类层、关联规则层和漂移检测层四个层次组成:第一层，对用户的背景数据和行为数据进行用户特征信息的提取及预处理;第二层，基于用户兴趣的用户聚类，对用户行为进行细分，将用户聚类成多个用户群;第三层，利用关联规则挖掘用户行为规则，得到用户行为规则库;第四层，将情境因素融入到行为模式漂移检测中，主动发现、追踪用户行为模式的变化，并分析产生变化的原因等。该模型将不确定性融合在用户行为分析中，可以对信息不完全的用户进行有效聚类、行为模式挖掘等，可充分利用信息资源，更好地反应用户的真实情况。　　 第二，本文根据簇的存在概率的大小提出了簇存在强度的概念，将簇分为三个等级:强簇、弱簇和过渡簇。提出了融入簇存在强度的数据流聚类算法CluCES，算法综合考虑了距离、簇的存在概率及簇存在强度三重因素对数据流聚类的结果影响，设计了一种新的候选簇的选择策略，有效保护了强簇，可以高效、准确对数据流进行聚类，提高了聚类质量。　　 第三，针对数据流的漂移变化，本文提出了融入簇存在强度的数据流漂移检测方法，从簇存在强度、簇产生等多角度对聚类模型的变化进行描述，通过对变化的跟踪溯源，可快速发现、定位数据流的变化情况;针对用户行为模式随时间或其他情境因素影响而发生的漂移变化，本文定义了用户行为模式变化的类别与度量方法，构建了用户行为模式检测模型，提出了行为模式变化检测算法。通过对行为规则的结果追踪分析，从而可以高效、准确地进行信息推荐和指导商业决策。