基于VSM模型及N-KMEANS算法的文本聚類.pdf

1、文本聚類技術(shù)是一門很熱門且有前景的技術(shù)，由于具有無監(jiān)督學(xué)習(xí)的特性，在文本挖掘領(lǐng)域文本聚類的核心思想相對來說比較簡單易懂。文本聚類可分為三個大部分:文本預(yù)處理、文本表示模型以及聚類算法設(shè)計，其中文本表示模型和聚類算法設(shè)計這兩大部分在現(xiàn)今是很熱門的研究方向。文本表示模型影響著將自然語言表示的文本轉(zhuǎn)化成計算機可識別可計算的數(shù)學(xué)模型的準(zhǔn)確性，而聚類算法的設(shè)計影響著文本聚類最終結(jié)果的質(zhì)量，國內(nèi)外很多學(xué)者主要從這兩方面對文本聚類進(jìn)行研究和改進(jìn)。在常

2、用的聚類算法中，K-means算法的運用相對較廣泛，然而傳統(tǒng)的K-means算法沒有穩(wěn)定的運行結(jié)果，且對文本型的數(shù)據(jù)要求更高，因此，對K-means算法的研究和改進(jìn)受到了國內(nèi)外學(xué)者的重視。
　　本文重點分析和研究了k平均值(K-means)算法-最常用的聚類算法。通過分析K-means算法的主要缺點，提出了一個基于數(shù)據(jù)樣本分布，計算聚類數(shù)和初始聚類中心的算法，定義為N-KMEANS算法。在該算法中，還引用了AP聚類算法以定位聚類數(shù)

3、的取值范圍，然后計算數(shù)據(jù)樣本的平均距離，再計算所有數(shù)據(jù)點以平均距離為半徑的鄰域中所包含的點的數(shù)目，可稱為點的密度，最后根據(jù)聚類數(shù)的取值范圍和點與點之間的距離選擇密度較大的點作為聚類開始的簇中心，同時可確定具體的聚類數(shù)。繼而使用Iris和Balance-Scale數(shù)據(jù)集分別對傳統(tǒng)K-means聚類算法和本文提出的N-KMEANS聚類算法進(jìn)行實驗，來比對這兩者的聚類質(zhì)量，驗證了本文提出的N-KMEANS聚類算法具有較高的有效性和穩(wěn)定性。