Web文檔聚類(lèi)中k-means算法的改進(jìn)

2 k-means算法的分析及其改進(jìn)

2.1 權(quán)重評(píng)價(jià)函數(shù)的改進(jìn)

　　k-means算法采用向量空間模型(VSM)將Web文檔分解為由詞條特征構(gòu)成的向量,利用特征詞條及其權(quán)重表示文檔信息。向量d=(ω₁,ω₂,ω₃,∧,ωm)表示文檔d的特征詞條及相應(yīng)權(quán)重。其中:m為文檔集中詞條的數(shù)目,ω_i(i=1,∧,m)表示詞條t_i在文檔d中的權(quán)重。特征權(quán)重ωi的計(jì)算通常采用經(jīng)典的TF*IDF算法,并進(jìn)行規(guī)格化處理:

　　其中:TF表示該詞條t_i在文檔d中的頻數(shù),DF_i表示文檔集中包含詞條t_i的文檔數(shù),N表示文檔集中的文檔數(shù)。從公式(2)可以看出,這種特征權(quán)重的計(jì)算方法是把文檔當(dāng)做一組無(wú)序詞條,詞條特征權(quán)重只是體現(xiàn)了該詞條是否出現(xiàn)以及出現(xiàn)次數(shù)多少的信息,而對(duì)于詞條在文檔中的不同位置對(duì)文檔內(nèi)容的決定程度不同這一問(wèn)題卻未加考慮。

　　對(duì)于Web文檔而言,由于XML(可擴(kuò)展標(biāo)識(shí)語(yǔ)言)已經(jīng)成為Web上新一代數(shù)據(jù)內(nèi)容描述標(biāo)準(zhǔn),因此Web上的文檔聚類(lèi)應(yīng)體現(xiàn)XML文檔的特性。XML文檔中的基本單位是元素(element)。元素由起始標(biāo)簽、元素的文本內(nèi)容和結(jié)束標(biāo)簽組成。它的語(yǔ)法格式為:

　　標(biāo)簽> 文本內(nèi)容

　　基于XML的Web文檔中,用戶把要描述的數(shù)據(jù)對(duì)象放在起始標(biāo)簽和結(jié)束標(biāo)簽之間,無(wú)論文本的內(nèi)容多長(zhǎng)或者多么復(fù)雜,XML都可以通過(guò)元素的嵌套進(jìn)行處理。不同標(biāo)簽下,同一個(gè)詞條也可能有不同含義。由此可見(jiàn),XML文檔中不同位置的詞條對(duì)文檔內(nèi)容的決定程度會(huì)有很大的不同。

　　通常,一個(gè)文檔的標(biāo)題、摘要、關(guān)鍵詞以及段首和段尾出現(xiàn)的詞條對(duì)整個(gè)文檔內(nèi)容有很大的決定作用。在XML文檔中,通過(guò)標(biāo)簽可以得出詞條對(duì)文檔內(nèi)容的決定程度,但很難對(duì)這種決定程度進(jìn)行準(zhǔn)確的定義。因此,本文利用模糊集理論,根據(jù)XML文檔特性計(jì)算詞條從屬關(guān)系系數(shù),并且將其量化為介于0和1之間的隸屬度,加入到原有權(quán)重評(píng)價(jià)函數(shù),從而表明XML文檔具有該詞條特征的程度。

　　為了簡(jiǎn)化計(jì)算,詞條在文檔中出現(xiàn)的位置主要分為標(biāo)題、摘要、關(guān)鍵詞、段首尾、特殊標(biāo)識(shí)處和正文幾個(gè)部分。其相應(yīng)權(quán)重為σ_t,在[0,1]之間取值,用lt表示詞條在相應(yīng)位置出現(xiàn)的次數(shù)。加入了詞條隸屬度的權(quán)重評(píng)價(jià)函數(shù)為:

2.2 相似性度量的改進(jìn)

　　利用向量空間模型處理Web文檔時(shí),由于文檔的繁雜性,表示文檔的特征向量可以達(dá)到數(shù)萬(wàn)維,甚至更多。通過(guò)預(yù)處理階段停用詞和無(wú)用高頻詞的過(guò)濾后,特征向量的維數(shù)雖然顯著減少,但剩余的維數(shù)仍然很多。本文實(shí)驗(yàn)中選用的娛樂(lè)類(lèi)1500篇Web文檔在預(yù)處理后特征向量的維數(shù)仍然達(dá)到了8291維。

　　如此高維的特征向量使得聚類(lèi)算法的處理時(shí)間大大增加,同時(shí)對(duì)算法的準(zhǔn)確性產(chǎn)生不利影響,并且這些特征對(duì)于聚類(lèi)來(lái)說(shuō)大多是無(wú)用的,例如聚類(lèi)算法STC(Suffix Tree Clustering)將特征向量的維數(shù)減少到幾十維仍然能夠準(zhǔn)確聚類(lèi)。這主要是因?yàn)?對(duì)于非結(jié)構(gòu)化的文檔,體現(xiàn)其類(lèi)別特點(diǎn)的特征詞有很多,當(dāng)進(jìn)行某一方面的聚類(lèi)時(shí),與此無(wú)關(guān)的特征詞就成了噪音。從這一點(diǎn)來(lái)說(shuō),文中前面改進(jìn)的權(quán)重評(píng)價(jià)函數(shù)體現(xiàn)了特征詞對(duì)文檔內(nèi)容的貢獻(xiàn)程度,從而突出了與聚類(lèi)相關(guān)的特征詞,降低了無(wú)關(guān)特征詞的干擾。另一方面,過(guò)多的特征詞使得特定的特征詞出現(xiàn)的頻率較低,容易被噪音所淹沒(méi)。

　　k-means算法使用基于距離的相似性度量,通過(guò)計(jì)算文檔向量之間的距離表明文檔之間相似性的大小。通常采用的是余弦函數(shù),計(jì)算公式為: