降維多核K-Means算法在文本聚類中的研究.pdf

1、隨著網(wǎng)絡(luò)的快速發(fā)展和信息化技術(shù)的不斷進(jìn)步，各種數(shù)據(jù)以驚人的速度膨脹，其中以文本數(shù)據(jù)的增長最為顯著，如何從這些海量的文本信息中找到有用信息，并進(jìn)行分門別類，變得日益迫切。K-Means聚類算法特征之一是簡單并且易于實(shí)現(xiàn)，通常被廣泛地應(yīng)用于文本聚類。因此，本文以K-Meaan算法為基礎(chǔ)開展的主要工作如下：
　　 ⑴K-Means聚類算法存在的問題之一是對初始點(diǎn)選擇具有敏感性。初始中心選取不當(dāng)，容易造成陷入局部最優(yōu)解和聚類結(jié)果波動性大

2、的問題。結(jié)合國內(nèi)外有關(guān)的研究方法，本文提出了一種優(yōu)化K-Means初始聚類中心的方法，避免首次選取初始中心落在樣本點(diǎn)上，同時可以融合最近高密度區(qū)域，在一定范圍內(nèi)擴(kuò)大聚類中心存在區(qū)域。該算法根據(jù)密度和最大化最小距離的思想，首先選取相互間距離最大的K對高密度點(diǎn)，并以這K對高密度點(diǎn)的均值作為初始聚類中心，然后再進(jìn)行K-Means聚類。在標(biāo)準(zhǔn)UCI數(shù)據(jù)集上驗(yàn)證了該算法的有效性，進(jìn)而把該算法用于中文文本的聚類中，對降維預(yù)處理后的數(shù)據(jù)使用新算法進(jìn)行

3、聚類，實(shí)驗(yàn)表明可以取得一個更穩(wěn)定且準(zhǔn)確率較好的聚類結(jié)果。
　　 ⑵針對文本數(shù)據(jù)高維且稀疏的特點(diǎn)，使用傳統(tǒng)的K-Means算法進(jìn)行聚類分析時候，傳統(tǒng)k-means算法的歐氏距離度量無法有效處理非線性數(shù)據(jù)，會耗費(fèi)較長時間，聚類效果也受到影響。本文提出一種降維多核K-Means文本聚類算法，一是解決了高維問題，二是解決分布無規(guī)則的非線性數(shù)據(jù)樣本聚類效果不佳的問題。算法首先用主成分分析對文本數(shù)據(jù)進(jìn)行降維，再用多核K-Means聚類算法進(jìn)