版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、在如今信息爆炸的互聯(lián)網(wǎng)時代,隨著web文本數(shù)量的規(guī)模不斷增大,人們要從這些海量的文本信息中快速有效地找到自己想要的信息,僅靠人工的分類方法是行不通的,而文本聚類技術正好憑借其優(yōu)秀的文本自動化分類能力為此提供了解決之道。
研究表明,傳統(tǒng)的基于劃分的聚類算法比如K-均值算法,存在以下兩個缺點:第一是不能很好地識別非球狀或者大小各異的聚類簇;第二是對預先設定的聚類數(shù)目K值敏感。
針對第一個問題,本文采用了一個核方法,也稱為
2、One-class SVM,它通過一個核函數(shù),在輸入空間和特征空間之間建立一個非線性映射,通過計算得到一個半徑最小的且包含該類所有數(shù)據(jù)點的超球體,超球體的球面就是聚類邊界,邊界上的數(shù)據(jù)點稱為該聚類簇的支持向量,這些支持向量就代表了一個聚類簇。其實,One-class SVM可以看成為一個二值分類器,但是,實際遇到的問題大部分屬于多值分類情況,為此,本文通過構造K(K為聚類數(shù))個One-class SVM分類器,來解決多分類問題。
3、 針對第二個問題,本文將核方法運用到CDBW評價函數(shù),引入了一個基于核方法的評價函數(shù) KCDBW,動態(tài)地對每次聚類結果進行評價,并記錄最優(yōu)聚類結果,以找到最優(yōu)的聚類數(shù)目。
基于以上兩點,本文設計了一種新型的基于核方法的動態(tài)劃分文本聚類方法,即基于One-class SVM的多球體文本聚類算法,它的主要思想是:首先采用LSA,即潛在語義分析方法來縮減文本向量空間模型維數(shù),其次,采用One-class SVM對每個聚類簇進行訓練
4、,得到相應的支持向量機模型,并利用聚類評價函數(shù)KCDBW指導文本聚類,最終得到最優(yōu)的聚類數(shù)目。
為了評判本文給出的一種基于核方法的動態(tài)劃分文本聚類算法的聚類效果,本文首先設計實現(xiàn)了一個實驗平臺,然后在三種數(shù)據(jù)集包括人工數(shù)據(jù)集,UCI數(shù)據(jù)集以及搜狗文本數(shù)據(jù)集上,分別使用了本文方法和傳統(tǒng)的聚類算法對其進行了聚類實驗,最終的實驗數(shù)據(jù)說明了本文設計的一種基于核方法的聚類評價函數(shù)KCDBW對聚類過程具有很好的指導意義,本文給出的一種基于
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。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內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)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,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。
最新文檔
- One-class問題研究及應用.pdf
- 基于SVM的多類文本分類算法及其應用研究.pdf
- 基于譜聚類的文本聚類算法研究.pdf
- 基于聚類樹的多類標文本分類算法研究.pdf
- 基于分組聚類的SVM訓練算法.pdf
- 基于DBSCAN的文本聚類算法研究.pdf
- 基于NMF算法的文本聚類研究.pdf
- 基于云計算的文本聚類算法研究.pdf
- 基于hSync算法的文本聚類方法研究.pdf
- 基于語義的短文本聚類算法研究.pdf
- 基于計算智能的文本聚類算法研究.pdf
- 基于文本聚類的特征選擇算法研究.pdf
- 基于語義距離的文本聚類算法研究.pdf
- 基于多密度的聚類算法研究.pdf
- 基于模糊聚類算法的文本挖掘.pdf
- 基于Web文本挖掘的聚類算法研究.pdf
- 基于遺傳算法的文本聚類研究.pdf
- 基于最大間隔聚類算法的SVM反問題研究.pdf
- 基于蟻群算法的中文本聚類研究.pdf
- 基于AP算法的文本聚類研究與實現(xiàn).pdf
評論
0/150
提交評論