聚類算法在Web文木挖掘中的應(yīng)用研究.pdf

1、隨著計算機網(wǎng)絡(luò)的普及，企業(yè)信息化程度不斷提高，人們對信息化服務(wù)的要求越來越高。在這個信息膨脹的時代，各種電子文本數(shù)據(jù)急劇增加，占據(jù)了網(wǎng)絡(luò)資源的大部分空間，對于這些文本數(shù)據(jù)的分析、應(yīng)用就成為了一個重要的課題。特別是對一些特殊文本(無結(jié)構(gòu)化和半結(jié)構(gòu)化文本)的挖掘分析成為了人們進行文本挖掘的一個難點。聚類技術(shù)作為文本數(shù)據(jù)挖掘中的重要技術(shù)之一，其思想是把內(nèi)容相似度高的文本內(nèi)容劃分為同一類，而不同類之間的文本相似度盡可能的低。
　　 本文

2、首先對文本聚類國內(nèi)外研究現(xiàn)狀進行了回顧，并且詳細陳述了文本聚類的相關(guān)算法，對常用的聚類算法的優(yōu)缺點進行了分析總結(jié)。K-means算法作為文本聚類算法中一個重要的算法，以其簡單，實用性在實際中得到了廣泛的應(yīng)用。尤其是對文本、圖像等多種數(shù)據(jù)的分析，K_means算法發(fā)揮了重要作用，并且取得了很多成果。但同時，K-means算法在實際的應(yīng)用中也有其弊端：k的取值無法確定、初始聚類中心選擇的不確定性、孤立點處理等。為了使K-means算法有一個

3、好的起點，初始聚類中心的選擇就相當重要。本文對K-means算法的初始聚類中心的選擇進行了改進，引用了基于密度和最大距離的初始密度選擇方法。在改進算法中，首先對樣本數(shù)據(jù)中可能存在的孤立點進行了檢測和處理，其次采用改進方法對初始聚類中心進行了選擇，最后完成了算法的主體部分。結(jié)果表明，改進的算法在聚類中心選擇上取得了成效。最后，將改進的算法應(yīng)用于一個基于Web新聞聚類模型。該模型首先把從網(wǎng)頁抓取的新聞的正文文本保存在數(shù)據(jù)庫中，對其進行文本預