基于《知網(wǎng)》的文本聚類研究.pdf

1、　　K-Means算法是數(shù)據(jù)挖掘技術(shù)中的一種經(jīng)典算法，有著形式簡(jiǎn)單和空間時(shí)間復(fù)雜度低的優(yōu)點(diǎn)，在文本挖掘方面也得到極大的應(yīng)用。論文研究了文本聚類的關(guān)鍵技術(shù)和算法，針對(duì)文本聚類中如何利用詞語(yǔ)的語(yǔ)義信息和位置信息進(jìn)行了研究，使用改進(jìn)的文本相似度計(jì)算方法對(duì)文本集合進(jìn)行了聚類，并對(duì)K-Means算法進(jìn)行了相應(yīng)的改進(jìn)。
　　論文的主要工作是對(duì)三種文本相似度計(jì)算方法對(duì)K-Means算法聚類效果影響的探索。分別使用基于傳統(tǒng)向量空間模型的文本相似

2、度計(jì)算方法、基于《知網(wǎng)》的文本相似度計(jì)算方法和結(jié)合位置信息的文本相似度計(jì)算方法做為聚類算法的相似度度量實(shí)現(xiàn)了K-Means算法，并對(duì)聚類效果進(jìn)行了比較。在定義基于《知網(wǎng)》的文本相似度計(jì)算方法時(shí)，為了提高算法效率和準(zhǔn)確率實(shí)現(xiàn)了一種新的向量空間的生成方法，不再使用整個(gè)文檔集合中所有的詞生成一個(gè)固定維數(shù)的向量空間，而是針對(duì)每篇文章生成一個(gè)向量，每篇文章生成向量的維數(shù)等于該文章包含的詞數(shù)而不是整個(gè)文檔集合包含的詞數(shù)，從而降低數(shù)據(jù)的高維性和稀疏性