20xx年文本聚類(lèi)開(kāi)題報(bào)告范文(編輯修改稿)
2025-03-15 01:42 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 本，這k個(gè)數(shù)據(jù)文本初始地代表了k個(gè)類(lèi)的數(shù)據(jù)中心。
2)對(duì)剩余的每個(gè)文本計(jì)算其到每個(gè)中心的距離，并把它歸到最近的中心類(lèi)中。
3)重新計(jì)算已經(jīng)得到的各個(gè)類(lèi)的中心，通常計(jì)算中心的準(zhǔn)則函數(shù)采用平方誤差準(zhǔn)則，這個(gè)準(zhǔn)則能夠使生成的結(jié)果類(lèi)盡可能地獨(dú)立和緊湊。
4)迭代執(zhí)行第二步和第三步的動(dòng)作直至新的中心與原中心相等或小于指定閾值，直到算法結(jié)束。
具體的算法流程如圖1所示。
2 改進(jìn)的聚類(lèi)算法
雖然使用KMean算法進(jìn)行文本聚類(lèi)時(shí)，具有計(jì)算復(fù)雜度低，計(jì)算效率不僅高，而且伸縮性較強(qiáng)，適應(yīng)大數(shù)據(jù)集的能力也很強(qiáng)的優(yōu)點(diǎn)，但是實(shí)驗(yàn)發(fā)現(xiàn)，不僅初始聚類(lèi)中心的選取對(duì)聚類(lèi)結(jié)果有影響，孤立點(diǎn)的存在對(duì)文本的相似性的判斷也有很大的影響，這就導(dǎo)致聚類(lèi)判斷不穩(wěn)定?；诖耍恼虏捎靡环N改進(jìn)的方法來(lái)進(jìn)行文本聚類(lèi)，改進(jìn)關(guān)鍵點(diǎn)在于聚類(lèi)中心的計(jì)算，用與原聚類(lèi)中心相似的文本數(shù)據(jù)來(lái)計(jì)算平均值作為該聚類(lèi)中心。
改進(jìn)的KMeans算法描述如下所示：
1)首先給定n個(gè)數(shù)據(jù)文本，從其中任選k個(gè)文本，這k個(gè)數(shù)據(jù)文本初始地代表了k個(gè)類(lèi)的數(shù)據(jù)中心。
2)對(duì)剩余的每個(gè)文本計(jì)算其到每個(gè)中心的距離，并把它歸到最近的中心類(lèi)中，記作means。
3)選擇類(lèi)中與類(lèi)中心大于等于(1+a)*means的文本集合{D1，D2，...，Dk}，其中a[，]，重新計(jì)算新文本集中的類(lèi)中心。
4)迭代執(zhí)行第2步和第3步的動(dòng)作直至新的中心與原中心相等或小于指定閾值，直到算法結(jié)束。
3 相似度計(jì)算
文本聚類(lèi)中涉及文本的相似性計(jì)算，只有相似性大的文本才能聚到同一類(lèi)中，因此，相似性的度量對(duì)文本的聚類(lèi)很關(guān)鍵。在文本聚類(lèi)中，相似度度量方式一般有曼哈頓距離、Cosine距離、歐式距離，其中Cosine距離更能體現(xiàn)文本的相似性。本文主要采用Cosine距離，當(dāng)兩個(gè)文本之間的文本相似度越大，它們之間的相關(guān)性越強(qiáng)。文本集用向量空間模型表示后，文本的相似度采用向量之間距離表示：
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號(hào)-1