發(fā)布時(shí)間：2024-02-03 00:50

　　隨著互聯(lián)網(wǎng)與信息技術(shù)的高速發(fā)展,網(wǎng)絡(luò)上的信息量也在快速增長。面對(duì)日益增長的信息量,如何在大量信息中快速準(zhǔn)確地提取用戶搜索的關(guān)鍵信息與相關(guān)信息,提高搜索效率與搜索精度,成為近年來國內(nèi)外學(xué)者研究的熱點(diǎn)。然而傳統(tǒng)的搜索系統(tǒng)一般為基于關(guān)鍵字進(jìn)行內(nèi)容匹配,相對(duì)較難根據(jù)用戶的搜索需求進(jìn)行相關(guān)的潛在語義搜索。此外,K-means算法及其衍生算法K-means++算法由于其算法的實(shí)現(xiàn)相對(duì)簡單、收斂速度快等優(yōu)點(diǎn),常用來對(duì)大規(guī)模數(shù)據(jù)進(jìn)行聚類分析。然而由于傳統(tǒng)的K-means算法與其衍生算法K-means++由于初始聚類中心選擇的隨機(jī)性與聚類個(gè)數(shù)K值選取的問題,可能會(huì)導(dǎo)致聚類結(jié)果的不穩(wěn)定。因此,本論文提出了基于潛在語義分析的K-means++算法的改進(jìn),并將其應(yīng)用于搜索系統(tǒng)中。為此,本論文主要做了以下幾個(gè)方面的研究:首先,本論文進(jìn)行潛在語義模型的研究與構(gòu)建。本論文通過對(duì)潛在語義分析技術(shù)的基本原理進(jìn)行研究,使用文本預(yù)處理、文本分詞、同義詞合并、構(gòu)建詞-文檔矩陣并進(jìn)行矩陣分解與降維等方法,最后計(jì)算文檔之間的語義相似度,從而構(gòu)建潛在語義模型。從語義層面理解與處理用戶的搜索請(qǐng)求,并構(gòu)建數(shù)據(jù)之間的語義聯(lián)系。其次,本論...

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖4.4噪音點(diǎn)去除前的數(shù)據(jù)分布圖

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第四章基于潛在語義分析改進(jìn)的K-means++算法c3…cj}與聚類數(shù)目K，根據(jù)本論文提出的改進(jìn)的K-means++算法，檢測(cè)出聚類異常值與噪點(diǎn)，并將其排除，這里選擇其中三個(gè)數(shù)據(jù)集進(jìn)行仿真圖演示，因?yàn)槠鋽?shù)據(jù)集中的數(shù)據(jù)是二數(shù)據(jù)，方便展....

圖4.5噪音點(diǎn)去除后的數(shù)據(jù)分布圖

南京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第四章基于潛在語義分析改進(jìn)的K-means++算法c3…cj}與聚類數(shù)目K，根據(jù)本論文提出的改進(jìn)的K-means++算法，檢測(cè)出聚類異常值與噪點(diǎn)，并將其排除，這里選擇其中三個(gè)數(shù)據(jù)集進(jìn)行仿真圖演示，因?yàn)槠鋽?shù)據(jù)集中的數(shù)據(jù)是二數(shù)據(jù)，方便展....

圖4.6K-means++算法數(shù)據(jù)的初始化與聚類中心的初始化圖

點(diǎn)去除前的數(shù)據(jù)分布圖圖4.5噪音點(diǎn)去除后的數(shù)據(jù)分布圖點(diǎn)去除后，我們對(duì)改進(jìn)的K-means++的聚類中心的選取與聚類效果eans++算法數(shù)據(jù)的初始化與聚類中心的初始化如圖4.6所示，其聚類中心的選取與聚類過程如圖4.7所示。過對(duì)樣本數(shù)據(jù)集Pima與NYSK進(jìn)....

圖4.7基于密度改進(jìn)的K-means++算法的聚類中心的選取與聚類過程圖

圖4.7基于密度改進(jìn)的K-means++算法的聚類中心的選取與聚類過程圖4.7中，我們可以看到改進(jìn)的K-means++算法的聚類過程，在初始聚類中心選定不斷的計(jì)算與迭代，改變聚類中心的位置，從而使得聚類中心相聚盡可能遠(yuǎn)，同類簇的中心點(diǎn)的位置，從而使聚類的效果更好。接下....

本文編號(hào)：3893425