已閱讀1頁，還剩59頁未讀， 繼續(xù)免費閱讀
版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、文本聚類是聚類分析領(lǐng)域的一個重要研究分支，是聚類方法在文本處理領(lǐng)域的應(yīng)用。針對大規(guī)模高維的文本數(shù)據(jù)，如何實施有效的文本聚類算法是數(shù)據(jù)挖掘領(lǐng)域的研究熱點。
文本數(shù)據(jù)的特殊性，即文本形式上的非結(jié)構(gòu)化，使得文本具有高維性和稀疏性的特點。近義詞和多義詞問題也是文本數(shù)據(jù)特有的自然語言現(xiàn)象。這些問題使文本聚類具有很高的時間復(fù)雜度，并干擾了聚類算法的準(zhǔn)確性，使得文本聚類的性能急劇下降。
首先，本文采用潛在語義索引和遺傳算法
2、相結(jié)合達(dá)到消除上述問題的目的。潛在語義索引中的奇異值分解技術(shù)將原始特征空間轉(zhuǎn)化到相應(yīng)較小的潛在語義空間上，這樣就可以消除詞語用法的多樣性和詞語使用的隨意性。遺傳算法優(yōu)化特征選取，可以在無先驗知識的情況下對特征向量進(jìn)一步降維，從而降低聚類復(fù)雜度。
其次，在文本聚類算法的研究中，本文提出一種基于可變長染色體編碼遺傳算法的K-中心聚類算法。由于K-均值算法對孤立點敏感，所以本文采用基本的K-中心聚類算法。K-中心算法同樣需要事先
溫馨提示
- 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于遺傳算法的文本聚類技術(shù)研究.pdf
- 基于遺傳算法與模糊聚類的文本分類研究.pdf
- 基于遺傳算法的聚類挖掘研究.pdf
- 基于遺傳算法的聚類方法研究.pdf
- 基于混合并行遺傳算法的文本分類及聚類研究.pdf
- 基于遺傳算法的模糊聚類技術(shù)的研究.pdf
- 基于遺傳算法的高維數(shù)據(jù)聚類研究.pdf
- 基于遺傳算法的模糊聚類研究及其應(yīng)用.pdf
- 基于遺傳算法的層次化聚類方法研究.pdf
- 基于遺傳算法的改進(jìn)K均值聚類.pdf
- 基于自適應(yīng)遺傳算法的橢圓聚類方法研究
- 基于聚類方法的小生境遺傳算法研究.pdf
- 基于遺傳算法的K-MEANS聚類改進(jìn)研究.pdf
- 基于遺傳算法的基因芯片數(shù)據(jù)聚類研究.pdf
- 基于遺傳算法和粗糙集的聚類算法研究.pdf
- 基于免疫遺傳算法和粒子群算法的聚類研究.pdf
- 基于遺傳算法的圖形圖像自動聚類.pdf
- 基于遺傳算法的K-means聚類算法分析研究.pdf
- 基于遺傳算法的Web用戶聚類模型的研究.pdf
- 基于遺傳算法等技術(shù)的數(shù)據(jù)與文本聚分類研究.pdf
評論
0/150
提交評論