基于特征加權(quán)的半監(jiān)督文本聚類研究.pdf

1、隨著計算機技術(shù)和信息網(wǎng)絡(luò)技術(shù)的發(fā)展,社會信息量急劇增加,數(shù)據(jù)庫的規(guī)模日益擴大,數(shù)據(jù)庫的數(shù)據(jù)總量及容量也急劇膨脹,這些廣闊的領(lǐng)域為聚類分析方法的應(yīng)用以及聚類分析的研究提供了寬廣的舞臺。在很多實際應(yīng)用中,我們在得到數(shù)據(jù)的同時,還能得到一些與這些數(shù)據(jù)相關(guān)的先驗知識,然而在傳統(tǒng)聚類分析過程中,算法在對樣本集進行聚類時并未考慮這些先驗知識。半監(jiān)督聚類算法就是研究無監(jiān)督學習中如何利用少量的監(jiān)督信息來提高聚類的性能。
　　 半監(jiān)督聚類是近幾年

2、機器學習領(lǐng)域的一個新的研究方向,也是數(shù)據(jù)挖掘的一個重要分支,逐步成為許多領(lǐng)域的有用工具。然而目前在半監(jiān)督聚類的研究中,尤其是當少量標記數(shù)據(jù)不足以反映大量無標記數(shù)據(jù)所蘊含的完整的聚類結(jié)構(gòu)時,其聚類效果并不好。
　　 論文首先介紹了半監(jiān)督聚類的研究背景、研究現(xiàn)狀以及研究意義,簡單的講述了常用的聚類方法、目前用的比較多的幾種特征選擇指標、以及評價準則等等。重點介紹了三種半監(jiān)督聚類算法:基于搜索的半監(jiān)督聚類、基于相似度的半監(jiān)督聚類、基于

3、搜索和相似度的半監(jiān)督聚類。尤其是基于約束的K-means半監(jiān)督聚類,本文對其進行了簡單的介紹并用實驗證明了該算法。
　　 其次為了提高半監(jiān)督聚類算法的準確率,本文對基于約束的K-means算法進行了改進,將特征加權(quán)引入半監(jiān)督聚類過程中,使得類內(nèi)間的文檔相似度更大,并用實驗驗證了不同特征加權(quán)指標對算法的影響。我們不僅在單語言數(shù)據(jù)集上進行了實驗來證明這一算法的有效性,還在中、英雙語數(shù)據(jù)集上進行了只包含中文或英文類標時的聚類實驗。實驗