基于文本聚类的档案数据全自动分类方法研究

于红

（吉林省珲春市敬信镇卫生院，吉林延边，133300）

0 引言

随着网络化、信息化的发展，档案因关联内容多样、涉及范围广，数据量和规模面临着规模化的递增发展趋势，并以文本形式存储于计算机上，而此时，以往的人工分类、归档已经无法适从，亟待进行分类方法的变革。而文本聚类作为一种文本处理方法，其目的是将存在某种语义或主题关联的数据集依照某种结构予以分类，划归为不同的聚类，而K-means算法作为应用最广泛的文本聚类方法，具有运算简便、收敛速率快等优点，但也存在易于陷入局部最优解的缺点，而以往多将PSO 与之融合，但并未解决问题。而GWO 算法作为一种新型的群智能算法，与PSO 相比搜索能力更强、收敛速度更快，可满足海量档案数据快速分类的需求，为此，本文结合该算法的优势，着眼于档案数据分类的准确性、效率性，借鉴以往研究来对GWO 算法进行优化，以化解PSO、K-means 算法早熟收敛、局部最优解问题，以此提升档案数据分类的准确性，而后，引入FastText 深度学习模型，通过分类训练实现档案数据的全自动分类，实现档案数据分类的高效性。

1 文本聚类的算法改进

1.1 GWO 算法改进

PSO 是文本聚类最常用的方法，但档案数据的海量性使其搜索空间维数过稿，且特征稀疏下种群差异缩小，易于陷入局部最优解，且经过多方研究未找到有效解决方法，影响了分类的准确性。而灰狼优化算法（Grey Wolf Optimizer，GWO）是基于灰狼捕食猎物活动而设计的一种新型群智能优化算法，其因搜索能力、收敛性能较强，且参数运算少、易于实现而被推广应用[1]，但是，在迭代逐渐增加时，因种群多样性减弱，个体差异缩减，易产生早收敛问题，后期易于陷入局部最优解，影响文本聚类的准确性。……