文本聚类的重构策略研究

陈笑蓉，刘作国

(贵州大学 计算机科学与技术学院，贵州 贵阳 550025)

文本聚类的重构策略研究

陈笑蓉，刘作国

(贵州大学 计算机科学与技术学院，贵州 贵阳 550025)

该文提出面向文本距离并独立于聚类过程的聚类重构策略。提出邻近域的概念并阐述了邻近域规则，设计了高斯加权邻近域算法。利用高斯函数根据样本与聚簇中心的距离为样本赋权，计算聚簇间距。基于邻近域权重对文本聚类的结果实施重构。使用拆分算子拆分稀疏聚簇并调整异常样本；使用合并算子合并相似聚簇。实验显示聚簇重构机制能够有效地提高聚类的准确率及召回率，增加聚簇密度，使得形成的聚类结果更加合理。

文本聚类；聚簇重构；邻近域规则；高斯加权

1 引言

文本聚类是信息处理领域的研究热点。由于聚类之初难以获得先验知识，对样本空间分布情况做出的假设可能过于理想化，从而导致聚类结果偏离实际。此外，样本规模的不断扩大可能致使原有聚类结果发生改变。例如，一篇关于酿酒工艺的文章，最初可能与其他科普知识同归于科教类。随着“舌尖上的中国”风靡全国，各地饮食文化报道激增，这些文章可能被归为饮食类。

虽然国内外有一些文献提出聚类重构的概念，但主要是针对样本空间描述或文本表示模型进行重构[1-2]，重构的是聚类过程而非聚类结果。为提高聚类的准确性和灵活性，本文引入一种针对聚类结果的重构机制，对形成的聚簇进行优化。……