特征加权距离与软子空间学习相结合的文本聚类新方法

被引：22

作者：

王骏

王士同

邓赵红

机构：

[1] 江南大学数字媒体学院

来源：

计算机学报 | 2012年 / 35卷 / 08期

关键词：

模糊聚类; 文本聚类; 软子空间; 特征加权距离; 全局收敛性;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

081203 ; 0835 ;

摘要：

文本数据维数高、数据分布稀疏、不同类别的特征相互重叠,这为聚类分析提出了挑战.针对文本数据的这一特点,将特征加权技术与软子空间相结合,基于模糊聚类的算法框架,提出了一种适用于高维文本数据的软子空间模糊聚类新方法.首先,基于加权范数理论,提出了新的特征加权距离计算方法.接着,将其与软子空间学习的理论框架相结合,提出了面向模糊聚类的新的目标学习准则.通过向约束条件中引入熵指数r,从而扩展了模糊指数m的取值范围,并给出了物理解释.基于Zangwill收敛定理对算法的全局收敛性给出理论证明.实验表明,文中算法可以使软子空间学习和聚类分析同时进行,其性能比现有的相关算法有了较大的提高.

引用

页码：1655 / 1665

页数：11

共 7 条

[1] 基于属性权重的Fuzzy C Mean算法 [J].

王丽娟 ;

关守义 ;

王晓龙 ;

王熙照 .

计算机学报, 2006, (10) :1797-1803

[2] 基于特征加权的模糊聚类新算法 [J].

李洁 ;

高新波 ;

焦李成 .

电子学报, 2006, (01) :89-92

[3] 论模糊C均值算法的模糊指标 [J].

于剑 .

计算机学报, 2003, (08) :968-973

[4] Feature weighting in k-means clustering [J].

Modha, DS ;

Spangler, WS .

MACHINE LEARNING, 2003, 52 (03) :217-237

[5] A PRELIMINARY-STUDY OF OPTIMAL VARIABLE WEIGHTING IN K-MEANS CLUSTERING [J].

GREEN, PE ;

CARMONE, FJ ;

KIM, J .

JOURNAL OF CLASSIFICATION, 1990, 7 (02) :271-285

[6]

Objective criteria for the evaluation of clustering methods .2 Rand WM. Journal of the American Statistical Association . 1971

[7]

Fuzzy k-means with variable weighting in high dimensional data analysis .2 Wang Qiang,Ye Yunming,Huang Zhexue. Proceedings-The 9th International Conference on Web-Age Information Management . 2008

← 1 →