聚類分析研究及其在文本挖掘中的應(yīng)用.pdf

1、我們生活在一個(gè)信息化的時(shí)代，各種信息急劇膨脹，為了有效利用這些信息，數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)技術(shù)應(yīng)運(yùn)而生，并顯示出強(qiáng)大的生命力。本文對(duì)數(shù)據(jù)挖掘技術(shù)，尤其是文本挖掘和聚類分析進(jìn)行了較為系統(tǒng)地分析和研究，提出了一些改進(jìn)算法。 聚類分析在數(shù)據(jù)挖掘研究中占有重要的位置。所謂聚類，就是將物理或抽象對(duì)象的集合劃分成為由類似的對(duì)象組成的多個(gè)類的過程。聚類分析依據(jù)的原則是使同一類中的對(duì)象具有盡可能大的相似性，而不同類中的對(duì)象相似性較小。 由于

2、聚類分析的重要性和特殊性，近年來該領(lǐng)域的研究取得了長足的發(fā)展，涌現(xiàn)出了許多聚類分析的方法，如基于劃分(Partition-Based)的聚類方法、基于模型(Model-Based)的聚類方法等等。 本文首先系統(tǒng)介紹了各種聚類算法，分析了聚類算法的關(guān)鍵技術(shù)，然后在原有算法基礎(chǔ)上，給出了兩種改進(jìn)算法：一種是對(duì)自組織特征映射(Self-OrganizingfeatureMaps，SOM)算法的改進(jìn)，通過對(duì)SOM算法中的權(quán)值初始化進(jìn)行了

3、重點(diǎn)分析和討論，針對(duì)權(quán)值隨機(jī)初始化，其網(wǎng)絡(luò)模型訓(xùn)練時(shí)間長的缺點(diǎn)，提出了從待聚類的數(shù)據(jù)集中找出k個(gè)有代表性的點(diǎn)對(duì)SOM網(wǎng)絡(luò)權(quán)值進(jìn)行初始化。改進(jìn)后的SOM算法減小了網(wǎng)絡(luò)的訓(xùn)練時(shí)間。另一種是提出了一種聚類組合算法，針對(duì)K-means算法初始聚類中心選取不當(dāng)對(duì)聚類結(jié)果影響較大的問題，提出了一種把自組織特征映射和K-means算法相結(jié)合的方法，先用SOM算法對(duì)數(shù)據(jù)進(jìn)行粗略的聚類，然后用SOM的連接權(quán)值對(duì)K-means算法的初始聚類中心進(jìn)行初始化，