一种优化初始化中心的k均值web信息聚类算法.pdfVIP

北京石油化工学院学报 第 19卷 第4期 Vo1．19 NO．4 JournalofBeijingInstituteof 2011年 12月 Dec．2O11 Petro—chemicalTechnology 一 种优化初始化 中心的 k均值 web信息聚类算法 张世博 周义明。 (1．北京石油化工学院计算机科学与技术系，北京 102617； 2．北京石油化工学 院电子教学与实践 中心 ，北京 102617) 摘 要 k-means算法是一种重要 的聚类算法 ，在 网络信息处理领域有着广泛的应用 。由 于 k-means算法终止于一个局部最优状态 ，所 以初始类 中心点的选择会在很大程度上影响其聚类效果 。 针对 k-means算法所存在 的问题 ，构造 了文本集合 的相似度矩阵，基于平均相似度集合通过排序迭代优 选出了初始 中心点。实验表 明此算法可 以有效减少迭代次数并提高聚类精度 ，最终获得较好 的聚类 效果 。 关 键 词 均值 ；聚类 ；初始 中心点；优化 中图法分类号 TP391．9 Internet的快速发展使得 web上文档资源 k-means算法是一种基于分割 的聚类算 呈爆炸式增长，如何充分有效地利用 web上丰 法，对一个对象集合构造一个划分，形成 K个 富的文档资源 ，使用户能够快速找到需要的信 簇 ，首先从 N个数据对象任意选择 K 个作为 息已经成为迫切需要解决的问题 。聚类能够在 初始聚类中心 ，而对于所剩下的其它对象 ，则根 没有训练样本的条件下 自动产生聚类模型 ，作 据他们与这些聚类中心 的相似度 ，分别将他们 为数据挖掘的一种重要手段 ，聚类在 web文档 配与其最相似的聚类 ，然后再计算每个对象所 的信息挖掘中也起着非常重要的作用 。聚类分 获新聚类中心 ，不断重复这一过程 ，直到评价函 析的 目的在于把数据集 中的数据划分为一系列 数最优或者小于阈值为止。 有意义 的子集 ，使得每个子集中的数据尽量相 设有 N 个数据点需要分为 K 个簇 ，则 是一 似 ，而子集与子集间的数据尽可能有差异 。 means要优化的目标函数可表示为 在众多的聚类方法 中，基于分割方法的 k— N K J一∑∑ lIx一 (1) means算法 因其算法复杂度较低 0(nkt)( 为 一 1 k_-1 数据对象总数 ，k为聚类个数 ，t为循环次数)， 其中 在数据点 被归类到第K 个簇 的时候 效率高 ，应用领域广 ，具有一定的可扩展性等优 为 1，否则为0。直接寻找 和 来最小化-， 点 ，在聚类算法 中占有重要的地位 。但 由于其 并不容易，可采取迭代的办法 ：先固定 ，选择 自身的缺点，如 ：聚类个数 k必须事先给定 ，不 最优 的 ，只要将数据点归类到离他最近的那 适用于非 凸形状的聚类 以及对噪声和异常数据 个中心就能保证 最小 。下一步则 固定 ， 也很敏感等缺点 ，限制 了其广泛地应用 。目前 再求最优的 。将