面向網(wǎng)頁內(nèi)容的K-means聚類算法的研究.pdf_第1頁
已閱讀1頁,還剩67頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明: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),請進行舉報或認領(lǐng)

文檔簡介

1、近年來,隨著Internet的飛速發(fā)展和生活中信息化水平不斷提高,數(shù)據(jù)資源呈爆炸式增長,導致獲取目的信息困難,信息的利用率降低,而高維數(shù)據(jù)日益成為主流,所以在實際的聚類應(yīng)用中,對高維數(shù)據(jù)聚類方法的研究有著越來越重要的意義。但高維數(shù)據(jù)本身獨有的一些特點,使得高維數(shù)據(jù)挖掘變的非常困難,因此必須采用一些特殊的方法進行研究處理。本文研究聚類的對象是網(wǎng)頁內(nèi)容,是一種典型的高維聚類。從聚類的概念及高維數(shù)據(jù)的特點入手,圍繞著高維空間相似性度量、權(quán)重表

2、示和降低“噪音”特征屬性影響這個三個問題,進行了研究和改進。
  由于文本數(shù)據(jù)的高維特征,適用于低維空間的相似度度量方法往往失效,對此本文采用一種適合文本數(shù)據(jù)高維和稀疏特征的Nsim()相似度度量方法。實驗證明這種相似度度量方法在高維空間中,仍能具有較好的穩(wěn)定性和分辨性。特征的權(quán)重表示形成空間向量模型是具有決定性作用,從而對聚類結(jié)果有很大影響。HTML文件的標簽信息對于網(wǎng)頁的類別歸屬比一般特征屬性具有更重要的作用,據(jù)此,本文提出了

3、一種適合網(wǎng)頁的改進TF-IDF權(quán)重計算方法。
  K-means方法是一種典型的基于劃分的快速聚類算法,傳統(tǒng)K-means算法的k個簇中心點的初始選擇是隨機的,這就往往使得聚類的結(jié)果不穩(wěn)定,聚類效果沒有保證。本文對中心點的確定提出改進,通過最大最小規(guī)則計算中心點。為了使K-means算法能夠降低網(wǎng)頁內(nèi)容中“噪音”屬性對聚類結(jié)果產(chǎn)生的負面影響,本文在聚類過程中,融入空間模型修正方法,通過使用一種比較全面的特征屬性度量方法,進行特征屬

溫馨提示

  • 1. 本站所有資源如無特殊說明,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)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論