聚類算法在Web文木挖掘中的應(yīng)用研究.pdf

1、隨著計(jì)算機(jī)網(wǎng)絡(luò)的普及，企業(yè)信息化程度不斷提高，人們對(duì)信息化服務(wù)的要求越來(lái)越高。在這個(gè)信息膨脹的時(shí)代，各種電子文本數(shù)據(jù)急劇增加，占據(jù)了網(wǎng)絡(luò)資源的大部分空間，對(duì)于這些文本數(shù)據(jù)的分析、應(yīng)用就成為了一個(gè)重要的課題。特別是對(duì)一些特殊文本(無(wú)結(jié)構(gòu)化和半結(jié)構(gòu)化文本)的挖掘分析成為了人們進(jìn)行文本挖掘的一個(gè)難點(diǎn)。聚類技術(shù)作為文本數(shù)據(jù)挖掘中的重要技術(shù)之一，其思想是把內(nèi)容相似度高的文本內(nèi)容劃分為同一類，而不同類之間的文本相似度盡可能的低。
　　 本文

2、首先對(duì)文本聚類國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行了回顧，并且詳細(xì)陳述了文本聚類的相關(guān)算法，對(duì)常用的聚類算法的優(yōu)缺點(diǎn)進(jìn)行了分析總結(jié)。K-means算法作為文本聚類算法中一個(gè)重要的算法，以其簡(jiǎn)單，實(shí)用性在實(shí)際中得到了廣泛的應(yīng)用。尤其是對(duì)文本、圖像等多種數(shù)據(jù)的分析，K_means算法發(fā)揮了重要作用，并且取得了很多成果。但同時(shí)，K-means算法在實(shí)際的應(yīng)用中也有其弊端：k的取值無(wú)法確定、初始聚類中心選擇的不確定性、孤立點(diǎn)處理等。為了使K-means算法有一個(gè)

3、好的起點(diǎn)，初始聚類中心的選擇就相當(dāng)重要。本文對(duì)K-means算法的初始聚類中心的選擇進(jìn)行了改進(jìn)，引用了基于密度和最大距離的初始密度選擇方法。在改進(jìn)算法中，首先對(duì)樣本數(shù)據(jù)中可能存在的孤立點(diǎn)進(jìn)行了檢測(cè)和處理，其次采用改進(jìn)方法對(duì)初始聚類中心進(jìn)行了選擇，最后完成了算法的主體部分。結(jié)果表明，改進(jìn)的算法在聚類中心選擇上取得了成效。最后，將改進(jìn)的算法應(yīng)用于一個(gè)基于Web新聞聚類模型。該模型首先把從網(wǎng)頁(yè)抓取的新聞的正文文本保存在數(shù)據(jù)庫(kù)中，對(duì)其進(jìn)行文本預(yù)