基于动态簇中心迁移的聚类算法及应用

论文摘要

随着Internet的迅速发展，大量信息不断膨胀。如何从大量的信息中提取知识是广大科研工作者研究的重点。而这些信息的多数都是以文本的形式存在的。文本聚类方法作为文本挖掘的两大常用技术之一，被越来越广泛的应用到文本信息的提取中。本文的目标就是以文本信息处理为背景，从理论及应用两个层次对文本信息的聚类方法进行了较为深入的研究。论文首先阐述了文本聚类的一些背景知识，包括文本挖掘的一般过程，文本聚类在其中所扮演的角色，文本聚类中的数据描述形式和度量方法以及现行的文本聚类方法的介绍。接着，对文本数据的高维稀疏特性进行了探讨，介绍了CF和SFV两种不同的聚类特性表示方法及其应用算法CFK-means和CABOSFV。然而，对于k-means算法的迭代需要一个好的初始划分，否则就会陷入局部极小解。论文针对k-means聚类方法的不足，提出了一种基于动态簇中心迁移的算法，通过在聚类过程中不断的探测簇中心间的相似度和待划分文档同簇中心的相似度的大小，应用不同的合并策略，得到一个较好的初始划分结果。最后论文还通过分析文本数据的高维稀疏特性，选择并改进了聚类特性（CF），并将新算法扩充到高维的文本聚类中，也获得了较好的聚类结果。论文的主要创新点是文本聚类算法的改进。数字实验表明本文提出的新算法所获得的初始划分可以使k-means算法得到明显的改进，从而获得更好的聚类结果。

论文目录

• 第一章 引言
• 1.1 课题的研究背景和意义
• 1.2 课题研究现状
• 1.3 课题的主要研究目的
• 1.4 本文的内容
• 1.4.1 研究内容
• 1.4.2 本文的组织
• 第二章 文本挖掘
• 2.1 文本挖掘及其处理步骤
• 2.1.1 文本特征的建立
• 2.1.2 特征集的缩减
• 2.2 文本挖掘的功能
• 2.3 文本挖掘对文本聚类的要求
• 第三章 文本聚类
• 3.1 文本聚类问题的数学描述
• 3.2 文本聚类度量函数
• 3.3 文本聚类算法介绍
• 3.3.1 划分聚类方法
• 3.3.2 层次聚类方法
• 3.3.3 基于密度的聚类方法
• 3.3.4 基于网格聚类方法
• 3.3.5 其他聚类方法
• 第四章 高维稀疏数据聚类方法介绍
• 4.1 基于聚类特性（CF）结构的聚类算法
• 4.1.1 聚类特性（CF）的概念及其性质
• 4.1.2 基于CF结构的多层CFK-means聚类算法
• 4.2 基于布尔稀疏特征向量（SFV）的聚类算法
• 4.2.1 布尔稀疏特征向量（SFV）及其性质
• 4.2.2 基于布尔稀疏特征向量的聚类算法CABOSFV
• 第五章 基于动态簇中心迁移的聚类算法
• 5.1 k-means算法
• 5.2 基于动态簇中心迁移的聚类算法思想
• 5.3 系统设计与实验结果
• 5.3.1 算法对于数据划分的改进
• 5.3.2 算法对k-means算法划分结果的改进
• 第六章 文本动态簇中心迁移算法的思想
• 6.1 球形k-means算法
• 6.2 算法面临的问题及其适应性改进
• 6.3 文本动态簇中心迁移算法
• 6.4 文本聚类实验
• 6.4.1 对初始划分质量的检验
• 6.4.2 仿真文本数据聚类实验
• 结束语
• 1 本文的主要研究成果和创新点
• 2 存在的问题和对未来工作的展望
• 参考文献
• 致谢
• 个人简历、在学研究成果及发表的学术论文