基于One-class SVM的多球體文本聚類算法研究.pdf

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