基于聚類算法的KNN文本分類系統(tǒng)研究與實現.pdf

1、隨著社會的進步和Internet高速發(fā)展，如何快速準確地獲取自己所需的信息已經成為目前我們迫切需要解決的問題之一。文本分類和聚類是信息處理的重要技術，因而也成為了目前研究的熱點。本文主要研究了文本分類和聚類的相關算法，分析了其中的相關技術以及難點。
　　 首先，介紹了文本分類中所涉及的主要技術：文本表示、特征選擇與抽取、分類算法和分類性能的評測。其次，著重剖析了KNN文本分類算法，指出其優(yōu)點及不足。為了克服KNN分類器速度慢的缺

2、陷，提出采用文本聚類對訓練集樣本庫進行合并，將若干樣本合并為少量樣本中心來減少計算量。再次，介紹了幾種常見的文本聚類算法。對基于劃分的分類算法：k-means和k-medoids進行了深入的分析與研究，發(fā)現k-means等基于劃分的聚類算法對聚類初始點選擇十分敏感。應用較多的隨機選取聚類初始點的方法雖然簡單，但是聚類結果很不穩(wěn)定，時間開銷大。針對這一點，本文提出了基于文檔相似度的初始化聚類中心點算法，隨后通過實驗驗證了其優(yōu)越性，并采用這