基于頻繁特征詞語集的文本聚類研究.pdf

1、數(shù)據(jù)挖掘的提出和發(fā)展是最近十幾年的事情，不過現(xiàn)實(shí)的需要使得其發(fā)展速度非常迅速。數(shù)據(jù)挖掘技術(shù)是通過計(jì)算機(jī)技術(shù)，在多個學(xué)科的知識和技術(shù)基礎(chǔ)上，從大量的實(shí)際數(shù)據(jù)中，分析挖掘出潛藏的人們沒有發(fā)現(xiàn)的知識的技術(shù)。數(shù)據(jù)挖掘技術(shù)的誕生是在原來數(shù)據(jù)庫技術(shù)和數(shù)據(jù)倉庫技術(shù)的基礎(chǔ)上進(jìn)一步的提高，滿足了人們對大量數(shù)據(jù)的分析型處理的需要。尤其在現(xiàn)代社會信息化高速發(fā)展的形勢下，數(shù)據(jù)挖掘技術(shù)獲得更為廣泛和深入的關(guān)注和研究。文本聚類技術(shù)是數(shù)據(jù)挖掘技術(shù)中一種，按照數(shù)據(jù)挖掘

2、的任務(wù)和目標(biāo)，文本聚類技術(shù)屬于聚類挖掘領(lǐng)域；按照數(shù)據(jù)挖掘的數(shù)據(jù)來源，文本聚類技術(shù)屬于文本挖掘領(lǐng)域。
　　 隨著信息社會和互聯(lián)網(wǎng)的發(fā)展，文本文檔信息正以高速度增加。文本聚類技術(shù)在人們對文本文檔進(jìn)行查詢、收集、瀏覽等方面發(fā)揮了重要的輔助作用，所以顯得日益重要。本文的研究目標(biāo)是：進(jìn)行數(shù)據(jù)挖掘技術(shù)、挖掘頻繁特征詞語集技術(shù)、文本聚類技術(shù)研究；提出改進(jìn)的挖掘頻繁特征詞語集方法用以改進(jìn)基于頻繁特征詞語集的文本聚類技術(shù)，并在具體實(shí)現(xiàn)上做出優(yōu)化。

3、
　　 本文綜述了文本聚類技術(shù)研究現(xiàn)狀；對相關(guān)的數(shù)據(jù)挖掘的基本概念、基本定義和基本定理進(jìn)行了闡述和解釋；以傳統(tǒng)的Apriori算法挖掘頻繁特征詞語集的方法為比較，提出了新的改進(jìn)的基于鏈表和矩陣的頻繁特征詞語集的挖掘方法，做了定性的分析；在基于頻繁特征詞語集的文本聚類方法中利用基于鏈表和矩陣的頻繁特征詞語集的挖掘方法替代傳統(tǒng)的Apriori算法挖掘頻繁特征詞語集的技術(shù)生成頻繁特征詞語集，具體實(shí)現(xiàn)中，面對計(jì)算信息熵相同的情況下，比較

4、頻繁特征詞語集的目數(shù)選定類別，信息熵和目數(shù)均相同的時候，以計(jì)算順序選定類別，給出了實(shí)驗(yàn)過程和結(jié)果分析；文章最后進(jìn)行了研究工作的總結(jié)，對相關(guān)的需要進(jìn)一步深入的研究方向進(jìn)行了展望。本文主要改進(jìn)工作是以下兩點(diǎn)：
　　 （1）對比傳統(tǒng)的Apriori算法挖掘頻繁特征詞語集的方法，提出了新的改進(jìn)的基于鏈表和矩陣的頻繁特征詞語集的挖掘方法，提高了生成頻繁特征詞語集的效率。
　　 （2）利用新的改進(jìn)的基于鏈表和矩陣的頻繁特征詞語集的挖