版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、文本聚類一直是數(shù)據(jù)挖掘和信息檢索領(lǐng)域的基礎(chǔ)性研究議題,它試圖將內(nèi)容相似的文本劃分到相同的類簇。文本聚類不僅得到了國(guó)內(nèi)外學(xué)者廣泛的關(guān)注和探索,也在大量實(shí)際系統(tǒng)中獲得廣泛應(yīng)用。具體的應(yīng)用場(chǎng)景包括:搜索引擎結(jié)果歸納、大規(guī)模文檔集合瀏覽、電子商務(wù)推薦系統(tǒng)等等。盡管數(shù)據(jù)挖掘中的絕大部分聚類分析算法都可直接用于文本,如K-means、DBSCAN等,然而,文本數(shù)據(jù)規(guī)模的爆炸式的增長(zhǎng),使得文本固有的高維稀疏性問(wèn)題顯得更加突出。同時(shí),無(wú)意義、有歧義的冗
2、余文本規(guī)模隨之?dāng)U大,這些文本難以劃分到任何一個(gè)有明顯語(yǔ)義的類簇。
為此,本文試圖同時(shí)利用實(shí)例選擇和特征選擇優(yōu)化文本聚類的效果和效率。具體地,我們以信息K-means算法為切入點(diǎn),首先提出一種基于隨機(jī)實(shí)例抽樣的Info-Kmeans聚類算法,算法將Info-Kmeans中KL距離(Kulback Leibler Divergence)計(jì)算變換為香農(nóng)熵的計(jì)算,解決了文本數(shù)據(jù)高維稀疏性所導(dǎo)致的零值困境問(wèn)題;接下來(lái),我們引入隨機(jī)實(shí)例抽
3、樣進(jìn)一步降低算法的迭代計(jì)算量,并證明抽樣所導(dǎo)致的性能誤差可以被控制在極小的范圍之內(nèi)。在8個(gè)不同規(guī)模文本數(shù)據(jù)集上的實(shí)驗(yàn)表明,我們所提出的方法可以大幅提升文本的聚類效率。然而,由于頻繁更新實(shí)例的類簇容易降低聚類性能,因此,對(duì)大規(guī)模文本聚類進(jìn)行隨機(jī)實(shí)例抽樣,才亦有助于聚類效果的提升。
特征選擇有助于擴(kuò)展文本數(shù)據(jù)維度,并抽取出有清晰語(yǔ)義的類簇。為此,本文首先在文本詞袋模型上定義出有物理意義的強(qiáng)關(guān)聯(lián)詞項(xiàng)集指標(biāo),然后證明文本中強(qiáng)關(guān)聯(lián)特征組
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 聚類特征選擇方法的研究和應(yīng)用
- 聚類特征選擇方法的研究和應(yīng)用.pdf
- 基于文本聚類的特征選擇算法研究.pdf
- 面向文本聚類的特征選擇方法及應(yīng)用研究.pdf
- 基于TFIDF-GA特征選擇的文本模糊聚類方法研究.pdf
- 基于增量聚類和ReliefF的特征選擇方法.pdf
- 基于聚類的主動(dòng)學(xué)習(xí)實(shí)例選擇方法研究.pdf
- 中文文本分類和聚類中的特征選擇研究.pdf
- 中文文本聚類中特征選擇算法的研究.pdf
- 掌紋識(shí)別中特征選擇和特征融合方法的研究.pdf
- 基于特征選擇和聚類的入侵檢測(cè)的研究.pdf
- 三網(wǎng)融合下文本分類的特征選擇方法研究.pdf
- 文本分類的特征選擇和分類方法研究.pdf
- 高維數(shù)據(jù)下的特征選擇與聚類方法研究.pdf
- 基于OLS特征排序和相關(guān)度聚類的特征選擇算法.pdf
- 基于聚類與粒子群優(yōu)化的基因選擇方法研究.pdf
- 選擇性聚類融合算法研究.pdf
- 基于融合的醫(yī)學(xué)圖像特征選擇和分割方法研究.pdf
- 基于啟發(fā)式聚類的混合特征基因選擇方法研究.pdf
- 文本分類特征選擇方法研究.pdf
評(píng)論
0/150
提交評(píng)論