基于遗传算法的动态文本聚类 - 江西师范大学智能信息处理实验室.pdf

维普资讯 第 30卷第 3期 江西师范大学学报 (自然科学版) V01．30No．3 2006年 5月 JOURNALOFJIANGXINORMALUNIVERSITY(NATURALSCIENCE) Mag2OO6 文章编号：1000—5862(2006)03—0278—04 基于遗传算法的动态文本聚类 乐 兵 ， 王明文 (江西师范大学 计算机信息工程学院，江西 南昌 330027) 摘要：为了解决动态文本聚类中聚类中心陷于局部极值点的问题，该文提出了基于遗传算法的动态文本 聚类方法 ．采用二进制编码方式对聚类中心进行编码、类内中的点与其类中心的欧氏距离作为适应度函 数．通过遗传算子的操作对类中心进行逐步迭代，直至适应度函数收敛 ，得到使聚类划分效果最好的聚类 中心．实验表明该方法可以克服局部极值点的问题，且聚类结果的评价指标 Purity(纯度)也比较好 ． 关键词：文本聚类；遗传算法；二进制编码；欧氏距离；纯度 中图分类号：O235 文献标识码 ：A 遗传算法 (GeneticAlgorithm，简记为GA)_1之j是一种借鉴生物界自然选择和进化机制发展起来的高度并 行、随机、自适应搜索算法，被广泛用于求解复杂的优化问题．它模仿生物界 “适者生存”原理，根据适应度的 大小，从初始种群中选择若干个较好的个体参与交叉和变异操作．选择 、交叉和变异操作迭代执行若干次或 执行到满足特定的终止规则，最后得到的种群中适应度最高的个体即为优化问题的近似最优解 ．由于思想 简单、易于实现以及很好的健壮性，遗传算法赢得了许多应用领域． 聚类分析[3-9]是一种典型的组合优化问题 ，近几年得到广泛研究，并提出许多算法 ．常用算法与参数设 置是否得当密切相关，往往需要对样本数据的物理意义进行必要的分析 ．在数据量较大，特别是在高维情况 下，设置合理的参数尤为困难，只能通过多次实验比较来选定．另一方面，聚类的初始数据集和 目标函数都 是离散量，存在许多局部极值点，而通常的方法又没有判别劣值的机制，因此初始聚类中心和样本输入的次 序对最终结果有着很大的影响． 基于以上分析，本文利用遗传算法理论上能够较好地解决对初始解敏感、易陷于局部最优的缺点，能在 全局进行搜索的优点，把它用于文本聚类．本文算法在现实文档数据集上的实验结果与文献[4]中的相关算 法的实验结果相 比较，表明本文算法取得 了较好的效果． 1 相关知识 1．1 GA简介 遗传算法的运行过程是一个典型的迭代过程，必须完成的工作 内容和基本步骤有：(1)选择 编码策略，把参数集合 和域分别转换为位串结构的空间S；(2)计算适应度函数．厂(X)；(3)确定遗传策略， 包括选择群体大小，选择、交叉、变异方法，以及确定交叉概率、变异概率等遗传参数；(4)随机初始化生产群 体 P；(5)计算群体中个体位串解码后的适应值；(6)按照遗传策略，运用选择、交叉和变异算子作用于群体， 形成下一代群体；(7)判断群体性能是否满足某一指标，或者达到预定迭代次数，满足则结束算法，不满足则 返回(6)或者更换遗传策略返回 (6)． 1．2 文本聚类 对文本进行聚类，首先要解决的问题是如何表示文本信息．文本表示有多种模型，如向量 模型和布尔模型，本文采用向量模型(n) ．其中每行表示为一篇文档，每列表示为一个词．本文的n为第 ． 个词在第 i篇文档中出现的z￡c权重．为了将样本 (或指标)进行分类，就需要研究样本(或指标)之间的关 收稿 日期：2005．09．12 基金项 目：江西省 自然科学基金 (0311401)和教育部重点科技资助项 目(03070)． 作者简介：乐 兵 (1978．)，男，江西泰和人 ，硕士研究生，主要从事信息检索和数据挖掘等研究 维普资讯 第3期 乐 兵，等：基于遗传算法的动态文本聚类 279