面向企業(yè)競爭情報(bào)的文本聚類技術(shù)的研究與應(yīng)用.pdf

1、伴隨著因特網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)上的數(shù)據(jù)信息急速膨脹。這些海量的數(shù)據(jù)蘊(yùn)含巨大的價(jià)值，并且主要以文本形式存在。為了實(shí)現(xiàn)對大規(guī)模文本的分析并從中提取有用信息，文本聚類作為文本挖掘技術(shù)的一個(gè)重要分支，得到了深入的研究和快速的發(fā)展。其中K-means作為一種經(jīng)典的聚類算法，具有線性的時(shí)間復(fù)雜度，并且其算法過程簡單易于實(shí)現(xiàn)，在大規(guī)模文本處理方面有著廣泛的應(yīng)用。但是其聚類效果很容易受到初始中心的影響，導(dǎo)致陷入局部最優(yōu)解，從而降低聚類結(jié)果的準(zhǔn)確性。

2、>　　本文針對 K-means算法的缺點(diǎn)對其初始中心選擇的過程進(jìn)行重點(diǎn)研究，提出了“近鄰”的概念，并以Web文檔為聚類對象，詳細(xì)闡述了文本聚類的整個(gè)過程，包括：文本預(yù)處理、聚類分析和質(zhì)量評價(jià)?；凇敖彙钡乃枷耄疚脑O(shè)計(jì)了一種初始中心選擇的改進(jìn)方法。算法改進(jìn)的思想是使得被選為簇中心的文檔之間具有的較低的相似度，并擁有足夠多的近鄰，從而避免了聚類結(jié)果陷入局部最優(yōu)解的情況，改善了聚類算法的穩(wěn)定性與準(zhǔn)確性。
　　本文在多個(gè)文檔集上進(jìn)行聚