基于聚類算法的KNN文本分類系統(tǒng)研究與實(shí)現(xiàn).pdf

1、隨著社會(huì)的進(jìn)步和Internet高速發(fā)展，如何快速準(zhǔn)確地獲取自己所需的信息已經(jīng)成為目前我們迫切需要解決的問(wèn)題之一。文本分類和聚類是信息處理的重要技術(shù)，因而也成為了目前研究的熱點(diǎn)。本文主要研究了文本分類和聚類的相關(guān)算法，分析了其中的相關(guān)技術(shù)以及難點(diǎn)。
　　 首先，介紹了文本分類中所涉及的主要技術(shù)：文本表示、特征選擇與抽取、分類算法和分類性能的評(píng)測(cè)。其次，著重剖析了KNN文本分類算法，指出其優(yōu)點(diǎn)及不足。為了克服KNN分類器速度慢的缺

2、陷，提出采用文本聚類對(duì)訓(xùn)練集樣本庫(kù)進(jìn)行合并，將若干樣本合并為少量樣本中心來(lái)減少計(jì)算量。再次，介紹了幾種常見(jiàn)的文本聚類算法。對(duì)基于劃分的分類算法：k-means和k-medoids進(jìn)行了深入的分析與研究，發(fā)現(xiàn)k-means等基于劃分的聚類算法對(duì)聚類初始點(diǎn)選擇十分敏感。應(yīng)用較多的隨機(jī)選取聚類初始點(diǎn)的方法雖然簡(jiǎn)單，但是聚類結(jié)果很不穩(wěn)定，時(shí)間開(kāi)銷大。針對(duì)這一點(diǎn)，本文提出了基于文檔相似度的初始化聚類中心點(diǎn)算法，隨后通過(guò)實(shí)驗(yàn)驗(yàn)證了其優(yōu)越性，并采用這