適用于大規(guī)模文本處理的動態(tài)密度聚類算法(編輯修改稿)
2024-08-13 13:00 本頁面
【文章內容簡介】 DDBCA K=8 4 100% Dataset2 SNN K=5,Eps=1,MinPts=5 24 100% DBSCAN Eps=,Minpts=2 24 % DDBCA K=10 24 % Dataset3 SNN K=6,Eps=3,MinPts=6 6 % DBSCAN Eps=,MinPts=4 3 / DDBCA K=8 8 % K=12 6 % TSDDBCA算法 ?一趟聚類算法： ?掃描數據集一遍，將數據集劃分為半徑一致的簇集合； ?該算法具有快速劃分的特點； ? 結合一趟聚類和 DDBCA實現兩階段動態(tài)密度聚類算法： ?第一步：先用一趟聚類算法對原數據集進行聚類，得到大小幾乎相同的初始劃分簇； ?第二步：將第一步中得到的劃分簇看成是 DDBCA算法的聚類對象，對第一步的初始劃分進行歸并，得到第 2階段最終的聚類簇。 TSDDBCA在文本數據上的實驗 ?為了驗證算法 TSDDBCA在大規(guī)模文本處理中的聚類效果，分別在 Reuters21578英文文本 語料和 搜狗中文文本語料 上進行實驗驗證，實驗中所有文本特征采用 信息增益方法提取，為了實驗結果的可比性，所有語料均提取100維 特征，文本使用向量空間模型表示，向量權重值采用經典的 TFIDF方法。 ?Reuters21578是文本自動分類的公開英文基準語料庫，包含 1987年在路透社報紙上的 21578篇新聞報道，由，總共包含 135個類別。選取其中使用較為頻繁的來自 acq、 crude、 earn、interest和 trade共 5個類別的子集從 250篇到 7000篇文本作為實驗語料進行聚類處理。 TSDDBCA在 Reuters語料上的實驗 TSDDBCA算法和一趟聚類算法在 Reuters21578英文文本語料上的實驗結果對比 01250 500 1000 202
法律信息相關推薦
鄂ICP備17016276號-1