- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
一种成对约束限制半监督文本聚类算法王纵虎1,2,刘速2(1.中国人民.doc
作者简介:王纵虎(1984-),男,中国人民大学在站博士后,中国石油规划总院工程师 . 研究方向:数据挖掘,大数据分析. E-mail: HYPERLINK mailto:zonghuwang@ zonghuwang@
一种成对约束限制半监督文本聚类算法
王纵虎1,2,刘速2
(1.中国人民大学 统计学院 北京 100872)1
;(中国石油规划总院 计算机信息中心 北京102206)2
摘要:半监督聚类能利用少量标记数据来提高聚类算法性能,但大部分文本聚类算法无法直接应用成对约束等先验信息。本文针对文本数据高维稀疏的特点,提出了一种半监督文本聚类算法。通过将成对约束信息经过扩展后嵌入文档相似度矩阵,在此基础上根据已划分与未划分文档之间的统计信息逐步找出剩余未划分文本集合中密集的且与已划分聚类中心集合相似度较小的K个初始聚类中心集合,然后将剩余的相对较难区分的文档结合成对约束限制信息划分到K个初始聚类中心集合,最后通过融合成对约束违反惩罚的收敛准则函数对聚类结果进一步优化。算法在聚类过程中自动确定初始聚类中心集合,避免了K均值算法对初始聚类中心选择的敏感性。在几个中英文数据集上的实验结果表明提出的算法能有效地利用少量的成对约束先验信息提高聚类效果。
关键词:聚类; 半监督; 向量空间模型;成对约束;文本
中图法分类号: TP391 文献标识码 A
Pairwise Constrained Semi-supervised
Text Clustering Algorithm
WANG Zonghu1,2, LIU Su2
(1 School of statistics Renmin University of China, Beijing 100872)2 Computer Information Center,Petrochina Planning and Engineering Institute Beijing 102206)
Abstract Semi-supervised clustering can use a small amount of tag data to improve the clustering performance,but most of the text clustering algorithm can not directly apply priori information such as pairwise constraints. As the characteristics of text data were high-dimensional and sparse, we proposed a semi-supervised document clustering algorithm. First, pairwise constraints were expanded and embedded in the document similarity matrix, then gradually search K density regions which have a small similarity with the already partitioned text collection in the remaining unpartitioned text collection as initial centroid. The remaining unpartitioned texts which were relatively difficult to distinguish are assigned to the K initial centroid according to the constraints. Finally the clustering result was optimized by the convergence criterion function by integration of punish violations of pairwise constraints . In the clustering process, it can automatically determines the initial centroids to avoid the sensitivity to the initial centroids of K-means algorithm. Experimental results show that the pro
您可能关注的文档
- ProQuest社科与科技全文数据库及相关资源讲座-中南大学图书馆.ppt
- PS1对学校的态度.ppt
- Pubmed分面检索与聚类分析系统-北京大学医学图书馆.ppt
- QBASIC程序中的运算量.ppt
- qj1.1慢性阻塞性肺气肿(copd)病人的护理教案.doc.doc
- QM主数据维护教材.ppt
- Qt标准对话框之QMessageBox.doc
- RedHatLinux网络服务器构架实务-HPECommunity.doc
- REFTEKDAS(数据采集系统)简要使用说明书-地震台阵探测实验室.doc
- RefWorks使用指南归档.ppt
- 2025年10月部队军人个人述职报告范文.docx
- 引言(培优教学课件)物理苏科版2024八年级上册.pptx
- 14.2 欧姆定律(教学课件)物理沪粤版2024九年级上册.pptx
- +6.1+质量+课件-2025-2026学年物理教科版(2024)八年级上册.pptx
- 15.4 焦耳定律(教学课件)物理沪粤版2024九年级上册.pptx
- 3.1++光的传播与色散--2025-2026学年沪粤版物理八年级上册教学课件.pptx
- 15.4+焦耳定律--2025-2026学年沪粤版物理九年级上册教学课件.pptx
- 12.4+电阻的串联和并联----2025-2026学年沪科版(五四学制)物理九年级上学期.pptx
- 13.2+熔化与凝固+课件-2025-2026学年物理九年级全一册沪科版.pptx
- 15.2 电功率(教学课件)物理沪粤版2024九年级上册.pptx
最近下载
- 【国家标准】GB∕T 35450-2017 聚碳酸酯薄膜及片材.pdf
- 医疗废物管理制度 (1).doc VIP
- 青19J2青19J3建筑专业(三):建筑用料及做法+屋面.docx
- 项目安全资料标准化实施手册 (1).pdf VIP
- 2022年成都市武侯国有资本投资运营集团有限责任公司招聘考试题库及答案解析.docx VIP
- 机械设计软件:Creo二次开发_(2).CreoAPI基础.docx VIP
- 第三十八回 及时雨会神行太保 黑旋风斗浪里白条-名著《水浒传》阅读导航+情节概括+思维导图+原文批注+阅读训练初中语文.docx VIP
- 物理性污染与防治.ppt VIP
- 1+X快递运营理论测试题.docx VIP
- 9.29事故抢险救援战评总结.ppt VIP
文档评论(0)