已閱讀1頁,還剩62頁未讀, 繼續(xù)免費閱讀
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
文檔簡介
1、文本聚類在文本挖掘和知識發(fā)現(xiàn)中起著很重要的作用。這種理論和方法可以對文本進行有效的管理和組織,可以對信息檢索的結(jié)果進行改善,提供導航/瀏覽機制,發(fā)現(xiàn)相似的文本等。因此,文本聚類已經(jīng)成為重要的研究方向和研究課題。 目前多數(shù)文本聚類算法都是以向量空間模型(VSM)為基礎。這種文本表示方法非常簡單,但卻引發(fā)了高維稀疏的問題。它還無法解決文本數(shù)據(jù)所特有的兩個語義問題:近義詞和多義詞。而且,傳統(tǒng)的聚類算法對于任意形狀的聚類顯得"束手無策"
2、,尤其是樣本數(shù)據(jù)不為"凸"時,算法陷入"局部"最優(yōu)。最后,對于存在"孤立點"數(shù)據(jù),影響傳統(tǒng)數(shù)據(jù)挖掘的效果。所有這些問題都極大干擾了文本聚類算法的效率和準確性,使文本聚類的性能下降。盡管人們提出了通過特征提取的降維方法,表示文本特征時更多加入詞頻和詞性等語義信息來解決上述問題,但是,這些方法都有自身的缺點,僅僅能非常有限的提高文本聚類的性能。 本文為了解決上述的問題,(1)提出了一種無尺度圖K-中心點聚類算法,不僅解決傳統(tǒng)聚類算法
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。
最新文檔
- K-中心點和K-均值聚類算法研究.pdf
- k-中心平面聚類模型與算法研究.pdf
- 基于K-距離的孤立點和聚類算法研究.pdf
- 基于自適應粒子群的k-中心聚類算法研究.pdf
- K-均值聚類算法初始中心選取相關問題的研究.pdf
- K-均值聚類算法的研究與分析.pdf
- 基于BIRCH和改進k中心點算法的古籍漢字圖像聚類研究.pdf
- 基于加權(quán)的增量式多中心點大數(shù)據(jù)聚類算法研究.pdf
- K-均值聚類算法的改進及其應用.pdf
- 支持向量機與K-均值聚類融合算法研究.pdf
- 中文文本關鍵詞提取和文本聚類中聚類中心點選取算法研究.pdf
- 基于k-平均算法的文本聚類系統(tǒng)研究與實現(xiàn).pdf
- 基于嚴格K-最臨近集的聚類算法及其分析.pdf
- 基于人工蜂群算法的改進K-均值聚類算法及其應用.pdf
- K均值聚類算法初始聚類中心的選取與改進.pdf
- 基于K中心點的測試用例集約簡研究.pdf
- K均值算法初始聚類中心選取相關問題研究.pdf
- K-均值聚類算法改進及在服裝生產(chǎn)的應用研究.pdf
- 一種基于信息熵聚類的K-匿名化算法.pdf
- 基于K-均值聚類遺傳算法的聯(lián)合選址庫存模型研究.pdf
評論
0/150
提交評論