文本自动聚类技术.PDFVIP

文本挖掘技术(2012春) 第五章： 文本自动聚类技术 杨建武 北京大学计算机科学技术研究所 Email:yangjw@pku.edu.cn 1 簇Cluster  簇Cluster: 数据对象的集合 在同一个簇中，数据对象是相似的 不同簇之间的对象是不相似的 2 聚类分析 聚类分析是按照一定的规律和要求对事 物进行簇划分的过程，在这一过程中没有 任何关于簇划分的先验知识，没有指导， 仅靠事物间的相似性作为簇划分的准则。 将一个数据集合划分成多个簇； 聚类分析是一种无监督分类，没有预定义的类 3 聚类分析：数据集的划分 无标记的 样本集 空间划分 空间覆盖 4 聚类分析的数学描述  聚类分析(Clustering) ：给定数据样本集X ｛X ,X ,…,X ｝，根据数据点间的相似程度将 1 2 n 数据集合分成k簇 ｛C ,C ,…,C ｝的过程称为聚 1 2 k 类分析。  簇记为C ＝ ｛X i,X i,…,X i ｝ i j 1 j 2 jni  Ci （i ＝1,…,k ）是X 的子集，且满足：  C ∪C ∪… ∪C ＝X 1 2 k  C ∩C ＝ф，i≠j 。 i j  相似样本在同一簇中，相异样本在不同簇中。 5 文本聚类  Document Clustering (DC) is partitioning a set of documents into groups or clusters  Clusters should be computed to  Contain similar documents  Separate as much as possible different documents  For instance, if similarity between documents is defined to capture semantic relatedness, documents in a cluster should deal with the same topics, and topics in each cluster should be different.