一种改进的文本聚类中心选择算法的研究

论文摘要

K-means聚类算法是一种基于划分的聚类算法,在众多聚类算法的性能比较中,该算法具有效率高、可发现任意聚类形状、对数据输入顺序不敏感、且对于高维数据也有较好的性能,而得到广泛的应用,但是K-means算法需要事先指定K值,并且对于“噪音”和孤立点数据敏感。因此针对K-means算法的以上缺点提出了新算法,从以下两点对传统的K-means算法进行了改进。首先,将文档集合分成一定规模的子文档集,串行聚类。其次,在聚类中心的选择上使用遗传算法的选择、变异操作确定。并且通过实验证明了,该算法无论是在聚类中心选择的精确性还是聚类结果的准确性都得到了提高。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.2 国内外研究现状
• 1.3 课题研究的目的及意义
• 1.4 论文的主要内容
• 2 文本聚类
• 2.1 文本聚类概述
• 2.1.1 文本聚类
• 2.1.2 常用的文本聚类算法
• 2.1.3 聚类质量评价指标
• 2.2 文本聚类流程
• 2.2.1 文本表示模型
• 2.2.2 文本聚类算法的选择
• 2.2.3 聚类评估函数的选择
• 3 遗传算法
• 3.1 传统遗传算法
• 3.1.1 基本遗传算法构成要素
• 3.1.2 遗传算法的应用
• 3.1.3 遗传算法应用步骤
• 3.2 遗传算法的最新发展
• 3.2.1 变长度染色体遗传算法
• 3.2.2 小生境遗传算法
• 3.2.3 混合遗传算法
• 4 文本聚类算法的研究与改进
• 4.1 一种文本聚类模型
• 4.1.1 文本分词处理
• 4.1.2 文本的特征提取
• 4.1.3 VSM 模型
• 4.1.4 文本聚类
• 4.2 传统 K-means 算法
• 4.3 一种利用遗传算法优化聚类中心选择的算法
• 4.3.1 算法原理
• 4.3.2 算法流程
• 5 算法实现及实验结果分析
• 5.1 系统设计
• 5.2 系统实现
• 5.2.1 分词模块
• 5.2.2 VSM 模型构造模块
• 5.2.3 聚类模块
• 5.3 实验结果对比
• 6 总结与展望
• 6.1 结论
• 6.2 展望
• 攻读硕士期间参与的科研项目
• 攻读硕士期间发表的论文
• 致谢
• 参考文献