文本挖掘關(guān)鍵技術(shù)的研究及模擬實現(xiàn).pdf

1、文本挖掘是隸屬于數(shù)據(jù)挖掘并且結(jié)合到自然語言處理的比較熱點的一個研究領(lǐng)域。在面對現(xiàn)今復(fù)雜繁多的文本信息時,通過使用文本挖掘技術(shù),人們能夠?qū)@些信息進行有效組合整理,以便能夠?qū)崿F(xiàn)對信息的準(zhǔn)確檢索定位,最終為用戶提高查找有用數(shù)據(jù)的效率。
　　本文在對文本挖掘整體框架進行分析的基礎(chǔ)上,針對其中三個部分進行了深入研究。
　　(1)針對文本特征提取技術(shù),本文提出了一種基于改進遺傳算法的方法。該方法中充分利用了遺傳算法的全局優(yōu)化能力,首先

2、將互信息MI特征提取方法引入遺傳算法適應(yīng)度計算中,利用其來提高文本特征與類別之間的相關(guān)性,以便最終提高特征提取的準(zhǔn)確度,然后將蟻群算法引入到遺傳算法選擇過程之中,對其隨機性過大的問題進行方向引導(dǎo),以便最終提高算法效率,節(jié)省時間。最終通過實驗仿真對其特征提取結(jié)果的準(zhǔn)確性以及算法的運行時間進行了測試,以此驗證了算法的有效性。
　　(2)針對文本聚類方面,本文提出了一種基于改進蟻群聚類模型的方法。該方法充分利用了蟻群聚類算法的自組織性以

3、及對前期數(shù)據(jù)輸入順序的不敏感性,并對其缺點進行了算法改進,面對蟻群聚類收斂問題加入了凝聚層次聚類來對其進行聚類重構(gòu),并且增加了全局記憶器來對算法進行整體控制以防止聚類過慢,同時,優(yōu)化了參數(shù)細節(jié)來增加人工螞蟻的環(huán)境適應(yīng)度,以便提高了聚類效果以及準(zhǔn)確度。最后通過實驗對其聚類結(jié)果的查準(zhǔn)率、查全率以及F1評估值進行測試,使算法到達預(yù)期效果。
　　(3)針對文本分類方面,本文提出了一種改進的KNN算法。由于KNN是一種懶惰的算法,只有在分類