本文關(guān)鍵詞：基于改進(jìn)LDA和K-means算法的主題句聚類　出處：《計(jì)算機(jī)應(yīng)用》2016年S2期 　論文類型：期刊論文

  更多相關(guān)文章： 潛在狄立克雷分布 K-means算法 最小描述長度算法 句子聚類

【摘要】：針對隱含狄利克雷分布(LDA)主題個(gè)數(shù)的隨機(jī)選定和傳統(tǒng)K-means算法初始聚類中心選擇的隨機(jī)性等缺陷,提出一種新穎啟發(fā)式的主題句聚類方法。該方法利用文檔集聚類簇?cái)?shù)與拆分為句子集中隱藏的主題數(shù)目一致特點(diǎn),先通過層次聚類分析出文檔集聚類簇,采用最小描述長度(MDL)剪枝算法來確定最佳聚類數(shù)n個(gè),然后將n作為隱含狄利克雷分布的主題數(shù)目的先驗(yàn)參數(shù),計(jì)算n個(gè)主題所在維度上的重要句子作為初始聚類中心,最終完成隱含主題句聚類。實(shí)驗(yàn)結(jié)果表明改進(jìn)后聚類算法克服了噪聲數(shù)據(jù)的干擾,避免了主題數(shù)的經(jīng)驗(yàn)誤差,聚類結(jié)果更精確。
【作者單位】： 重慶大學(xué)計(jì)算機(jī)學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(60873200,90818028)
【分類號】：TP391.1
【正文快照】： 0引言隨著移動(dòng)互聯(lián)網(wǎng)的蓬勃發(fā)展,網(wǎng)絡(luò)信息量以指數(shù)級增加,特別是文本信息,如何精準(zhǔn)有效地發(fā)現(xiàn)、組織和利用海量文本背后的有用信息成為一個(gè)熱門話題[1]。句子聚類技術(shù)作為自然語言處理(Natural Language Processing,NLP)的預(yù)處理步驟,對文本進(jìn)一步分析和處理產(chǎn)生了重要的影響,

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張亞萍;胡學(xué)鋼;;基于K-means的樸素貝葉斯分類算法的研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2007年11期

2 劉運(yùn);殷建平;程杰仁;蔡志平;;基于k-Means改進(jìn)算法的分布式拒絕服務(wù)攻擊檢測[J];計(jì)算機(jī)工程與科學(xué);2008年12期

3 張濟(jì)強(qiáng);高玉良;;遺傳模擬退火算法在k-means聚類中的應(yīng)用[J];電腦知識(shí)與技術(shù);2012年07期

4 賈花萍;李堯龍;哈渭濤;史曉影;;K-means聚類神經(jīng)網(wǎng)絡(luò)分類器在睡眠腦電分期中的應(yīng)用研究[J];河南科學(xué);2012年06期

5 李學(xué)勇;高國紅;孫甲霞;;基于互信息和K-means聚類的信息安全風(fēng)險(xiǎn)評估[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年02期

6 郁雪;李敏強(qiáng);;一種結(jié)合有效降維和K-means聚類的協(xié)同過濾推薦模型[J];計(jì)算機(jī)應(yīng)用研究;2009年10期

7 屈新懷;高萬里;丁必榮;李朕;;基于聚類數(shù)和初始值的K-means算法改進(jìn)研究[J];組合機(jī)床與自動(dòng)化加工技術(shù);2011年04期

8 邊鵬;趙妍;蘇玉召;;一種改進(jìn)的K-means算法最佳聚類數(shù)確定方法[J];現(xiàn)代圖書情報(bào)技術(shù);2011年09期

9 宗瑜;金萍;李明楚;;BK-means:骨架初始解K-means[J];計(jì)算機(jī)工程與應(yīng)用;2009年14期

10 韓凌波;;一種新的K-means最佳聚類數(shù)確定方法[J];現(xiàn)代計(jì)算機(jī);2013年30期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前6條

1 楊青;劉曄;張東旭;劉暢;;快速查找最優(yōu)初始聚類數(shù)K的改進(jìn)K-means算法[A];中國自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

2 陳磊;胡佳敏;嚴(yán)華;;K-means算法在散貨船代貨運(yùn)系統(tǒng)中的應(yīng)用[A];全國第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集（上冊）[C];2009年

3 鄭建軍;甘仞初;賀躍;畢思飛;;一種基于k-means的聚類集成方法[A];全國第九屆企業(yè)信息化與工業(yè)工程學(xué)術(shù)會(huì)議論文集[C];2005年

4 張望;王輝;;個(gè)性化服務(wù)中的并行K-Means聚類算法[A];2007年全國開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(下冊)[C];2007年

5 江華;王翰虎;陳梅;;一種基于K-means聚類分組的P2P超結(jié)點(diǎn)模型[A];2005年全國開放式分布與并行計(jì)算學(xué)術(shù)會(huì)議論文集[C];2005年

6 王守強(qiáng);朱大銘;史士英;;基于輸入點(diǎn)集求解k-Means聚類算法[A];第二十六屆中國控制會(huì)議論文集[C];2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 陳智;基于K-means聚類算法的機(jī)會(huì)網(wǎng)絡(luò)群組移動(dòng)模型及其長相關(guān)性研究[D];湘潭大學(xué);2015年

2 許允棟;K-means聚類算法的改進(jìn)與應(yīng)用[D];廣西師范大學(xué);2015年

3 丁斌;基于布谷鳥算法的K-means聚類挖掘算法研究[D];合肥工業(yè)大學(xué);2015年

4 梁云昭;基于K-means的圍棋特征提取方法研究[D];北京理工大學(xué);2015年

5 于洋洋;基于并行K-MEANS聚類分析的社群發(fā)現(xiàn)算法研究[D];東北大學(xué);2012年

6 崔曉麗;基于MapReduce的海量數(shù)據(jù)K-means聚類算法研究[D];大連理工大學(xué);2014年

7 高存彬;基于K-Means聚類法的水團(tuán)劃分算法和可視化研究[D];中國海洋大學(xué);2008年

8 劉建國;改進(jìn)的K-means算法及其在采油數(shù)據(jù)分析中的應(yīng)用[D];北京郵電大學(xué);2010年

9 陳翠卓;移動(dòng)平臺(tái)下基于K-means的租房信息聚類算法研究與實(shí)現(xiàn)[D];華中師范大學(xué);2014年

10 高利軍;基于K-Means聚類算法的智能化站點(diǎn)設(shè)計(jì)與實(shí)現(xiàn)[D];河南科技大學(xué);2007年

，

本文編號：1317306