三角不等式原理对聚类算法的改进

聚类分析是数据挖掘中的一个重要研究领域,面对大规模的、高维的数据,如何建立有效的聚类算法是目前一个研究热点。现已有多种直接和快速的聚类算法,但是当处理海量数据时,时间效率仍然有待提高。本文应用三角不等式原理,分别对TTSAS算法和k-means算法提出改进,避免其中冗余的距离计算,提高原算法效率。     

基于信息关联的负面网络舆情风险分级与预测研究

【目的/意义】网络社会充斥大量负面网络舆情,负面网络舆情风险分级和研判对提高网络治理能力和网络 社会治理成效意义重大。【方法/过程】构建负面网络舆情风险指标体系,并采用熵权法计算风险指标权重;基于加 权GRA模型计算灰色加权信息关联度,在此基础上,运用k-means聚类算法构建负面网络舆情风险分级方案,据此 对负面网络舆情进行风险预测。【结果/结论】实证分析结果表明,所建负面网络舆情风险分级模型客观性强、可靠 度高,可为负面网络舆情风险精准响应提供有效决策依据。【创新/局限】以信息关联为视角,为负面网络舆情风险 分级与预测提供了新的研究框架,但典型案例数据库有待继续完善。     

基于向量空间模型的文档聚类算法研究

随着网络信息的迅速增长，文档聚类技术成为了人们研究的热点课题．探讨了几种基于向量空间模型的文档聚类算法，如常见的k—means算法和凝聚层次算法，针对它们的不足提出了改进的BK-means算法和多层CFK-means算法．最后，根据一定的评价标准，得出Bk—means算法是文档聚类算法中较好的算法．     

基于主动进化遗传算法的k-means聚类方法

由主动进化思想提出一种基于中心定位算子的遗传算法（GCOGA）。GCOGA算法通过对聚类中心的个数和选取进行指导,解决了常规k-means聚类方法对初始聚类中心的敏感性以及聚类结果与样本输入次序有关等问题。实验结果显示,该算法避免了k-means方法中对初始值敏感和容易陷入局部最优解的缺陷,使聚类更合理,效果更好。     

基于就业吸引力的大学生区域流向分类研究

本文通过建立相关指标体系从经济、社会环境、政策制度以及自然环境四个方面对就业吸引力进行了分析。在此基础上使用k-means聚类的方法将全国的自然行政区域划分为若干不同区域,结果表明分为4类时,分类结果较为理想。行政区域的划分为研究就业区域流向等相关问题提供了研究基础。     

初始化类中心的增量K均值法及其在新闻事件探测中的应用

传统的增量k均值法用于事件探测时存在着诸多不足。为了克服其缺陷,本文提出了一种用于事件探测的改进的增量k均值算法(IIKM)。该算法使用密度函数法进行聚类中心的初始化以便客观地选择初始聚类中心,既可以用于在线探测也可以用于回溯探测,并且执行结果受新闻语料被处理顺序的影响较小。本文对有效密度半径和特征空间维数的选择问题进行了讨论,并比较了该方法和Single-pass法及传统的K均值法的性能差异。实验结果表明本文所提出的方法是有效的。     

一种电子商务站点个性化方法

电子商务站点个性化建设所采用的一种重要方法就是通过站点使用挖掘得到用户的兴趣和爱好,并以此进行个性化推荐。本文针对这种方法的局限性,提出了一种新的个性化方法,即:在数据预处理的基础上实现基于站点使用和站点内容的交易事务聚类,然后导出站点的使用文档和内容文档,在此基础上结合当前用户会话形成基于站点使用和站点内容的个性化推荐集,最后在整合两种推荐集的基础上完成个性化推荐。     

基于时间序列聚类算法的叙词表新术语遴选研究

【目的/意义】为保证叙词表术语收录的完整性,需要及时将领域出现但未收录的新术语补充收录到叙词表 中,结合候选词的时间及文档词频特征,从时间序列角度探索新术语的分布情况以指导新术语遴选是值得研究的 问题。【方法/过程】文章主要对词汇文档词频对应的时间序列进行研究,将时间序列进行词频归一化及时间等长预 处理,引入k-means聚类算法,对候选词汇进行基于时间序列趋势变化的聚类,探索术语以及非术语趋势变化的规 律,进而总结新术语应该满足的趋势变化特征。【结果/结论】通过聚类研究,总结得出新术语普遍处于增长趋势。 实证将处于增长状态的候选词汇遴选出来,经过专家判断,该方法可以有效从候选词汇中遴选出其中能补充到叙 词表中的新术语,该方法有比较高的准确率。【创新/局限】创新之处表现为叙词表新术语的遴选中同时考虑了时间 变化和文档词频因素,局限于数据处理规模,实证中只统计了论文关键词的词频数据。     

基于共词分析的文本主题词聚类与主题发现

文本主题检测可以很好的挖掘海量信息中的关键因子,本文主要通过基于共词分析方法对文本主题词进行聚类从而发现当前的主题,首先通过停用词过滤和TF-IDF关键词提取技术提取出主题词串,然后构建共词矩阵,最后通过Bisecting K-means算法对主题词串进行聚类分析,从而发现主题。实验结果表明,该方法对热点主题提取有一定的效果。     

基于矩阵降维的典型用户文件发现方法

应用聚类技术能够自动地发现典型用户件，但是由于会话向量通常是高维的稀疏向量，因此很难在会话向量之间设计有效的相似度度量．本提出2种基于矩阵降维的典型用户件发现方法．这些方法应用非负矩阵分解技术降低会话-URL矩阵的维数，并通过球形的后．均值算法对用户会话向量的投影向量聚类，由此得到典型用户件．实验结果表明，这些算法能够有效地从用户会话中发现典型的用户件．