基于自組織特征映射的海洋文獻(xiàn)聚類分析的研究與實(shí)現(xiàn).pdf

1、隨著國家海洋戰(zhàn)略的實(shí)施，與海洋有關(guān)的Web文獻(xiàn)數(shù)迅速增長。對海洋文獻(xiàn)進(jìn)行聚類分析，有助于海洋信息挖掘，這對于海洋科技有重要意義。 中文文檔聚類分析包括數(shù)據(jù)庫文檔抽取、文檔中文分詞、構(gòu)建文檔集的表示模型、基于文檔集模型進(jìn)行聚類分析等步驟。與英文文檔處理不同，中文文檔的處理必須先進(jìn)行分詞。常見的分詞方法有基于字符串匹配的、基于理解的和基于統(tǒng)計(jì)的三種方法。目前的分詞方法基本滿足了實(shí)際需求，關(guān)鍵是選擇合適的分詞軟件。信息獲取領(lǐng)域中，一般

2、采用向量空間模型作為文檔集的表示模型，從該模型可容易地計(jì)算出文檔之間的相關(guān)度，因而可用于文檔聚類分析。聚類算法有很多，如基于劃分的、基于層次的、基于密度的等多種算法，算法選擇取決于應(yīng)用目的。 為構(gòu)建基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的海洋文獻(xiàn)聚類系統(tǒng)，本文分析了中文分詞的常用方法，研究了文檔集的表示模型以及各種聚類算法，設(shè)計(jì)并實(shí)現(xiàn)了一個基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的文檔聚類分析系統(tǒng)OCA，主要工作及創(chuàng)新點(diǎn)如下： 1.在分析和比較各

3、種聚類算法的基礎(chǔ)上，選擇自組織特征映射(SOM)神經(jīng)網(wǎng)絡(luò)作為海洋文獻(xiàn)聚類分析的算法，這里的SOM神經(jīng)網(wǎng)絡(luò)采用廚師帽獲勝鄰域，鄰域內(nèi)神經(jīng)元調(diào)整權(quán)值。 2.研究了中文分詞技術(shù)，比較了各種分詞方法，選擇分詞準(zhǔn)確率高的軟件MMSEG實(shí)現(xiàn)對中文海洋文獻(xiàn)的分詞。 3.用向量空間模型表示文檔集，用廣為接受的TFIDF表示詞匯對文檔語義的貢獻(xiàn)。 4.在Eclipse環(huán)境下用Java實(shí)現(xiàn)了一個基于SOM的海洋文獻(xiàn)聚類系統(tǒng)OCA，從