嵌入分布信息的Web文檔聚類算法研究.pdf

1、隨著Intemet的迅速發(fā)展，Web信息資源己涵蓋了社會生活的各個方面。網(wǎng)絡(luò)信息過載問題日益突出，這促使Web挖掘技術(shù)迅速發(fā)展。本文從Web文檔聚類的角度，圍繞文檔分布信息表示及其相似性度量方法、多角度聚類及核理論在多角度學(xué)習(xí)中的應(yīng)用三個方面展開研究，主要工作包括以下幾個方面： 1.提出一種嵌入分布信息的文檔相似性度量方法?，F(xiàn)有的Web挖掘技術(shù)大部分是基于傳統(tǒng)的VSM(Vector Space Model)向量空間，雖然能達到一

2、定的效果，但是忽略了Web文檔中其它有用的信息。針對此問題，本文引入了文檔中單詞的分布信息，提出了新的相似性度量方法。實驗結(jié)果表明，新相似性度量方法能較好的提高聚類效果。 2.提出一種多角度學(xué)習(xí)算法。該方法在傳統(tǒng)多角度Kmeans算法的基礎(chǔ)上，采用經(jīng)典及新的相似性度量，嘗試在不同角度上使用不同的學(xué)習(xí)算法，可更好地反映出數(shù)據(jù)集中文檔的分布特征。實驗結(jié)果表明，本文提出的多角度學(xué)習(xí)算法取得了較好的效果。 3.提出一種基于核方法