偶看新闻哈密路1330号体检时间:文本聚类程序实例 - 数据挖掘研究院( China Data Mining Researc...
来源：百度文库 编辑：偶看新闻 时间：2024/04/28 09:19:11
摘 要：文本聚类是搜索引擎和语义web的基本技术，本文和大家一起学习一下简单的文本聚类算法，可能不能直接用于实际应用中，但对于想学搜索技术的初学者还 是有一定入门作用的。这里会用到TF/IDF权重，用余弦夹角计算文本相似度，用方差计算两个数据间欧式距离，用k-means进行数据聚类等数学和统计 知识。关于这些概念可以去google，或者参考文本后的参考链接。 数据挖掘交友
思路：计算两篇文档的相似度，最简单的做法就是用提取文档的TF/IDF权重，然后用余弦定理计算两个多维向量的距离。能计算两个文本间的距离后，用标准的k-means算法就可以实现文本聚类了。 数据挖掘实验室
测试：首先我们准备以下数据
===================
奥运 拳击 入场券 基本 分罄 邹市明 夺冠 对手 浮出 水面
股民 要 清楚 自己 的 目的
印花税 之 股民 四季
杭州 股民 放 鞭炮 庆祝 印花税 下调
残疾 女 青年 入围 奥运 游泳 比赛 创 奥运 历史 两 项 第一
介绍 一 个 ASP.net MVC 系列 教程
在 asp.net 中 实现 观察者 模式 ，或 有 更 好 的 方法 （续）
输 大钱 的 股民 给 我们 启迪
Asp.Net 页面 执行 流程 分析
运动员 行李 将 “后 上 先 下” 奥运 相关 人员 行李 实名制
asp.net 控件 开发 显示 控件 内容
奥运 票务 网上 成功 订票 后 应 及时 到 银行 代售 网点 付款
某 心理 健康 站 开张 后 首 个 咨询 者 是 位 新 股民
ASP.NET 自定义 控件 复杂 属性 声明 持久性 浅析
==================
很明显以上数据可以分为三类：asp.net，奥运和股民，我们就写程序来实现它，各种算法的原理网上都有，我就大概只贴代码，声明一下，部分代码是从网 上直接抄的，k-means代码是我从一篇文章的java示例代码转换过来的，我给代码加了不少注释，希望能帮助大家理解。 数据挖掘论坛
以下是入口函数 数据挖掘论坛
static void Main(string[] args)
{ 数据挖掘实验室 
//1、获取文档输入 string[] docs = getInputDocs("input.txt"); 数据挖掘论坛 if (docs.Length < 1)
{ 数据挖掘交友 Console.WriteLine("没有文档输入"); Console.Read(); return;数据挖掘交友
} //2、初始化TFIDF测量器，用来生产每个文档的TFIDF权重 数据挖掘工具 TFIDFMeasure tf = new TFIDFMeasure(docs, new Tokeniser()); int K = 3; //聚成3个聚类数据挖掘交友 //3、生成k-means的输入数据，是一个联合数组，第一维表示文档个数， //第二维表示所有文档分出来的所有词 数据挖掘交友 double[][] data = new double[docs.Length][]; int docCount = docs.Length; //文档个数 数据挖掘研究院 int dimension = tf.NumTerms;//所有词的数目 for (int i = 0; i < docCount; i++) 数据挖掘实验室 { for (int j = 0; j < dimension; j++) 数据挖掘论坛 { data[i] = tf.GetTermVector2(i); //获取第i个文档的TFIDF权重向量 数据挖掘工具 } } 数据挖掘研究院 //4、初始化k-means算法，第一个参数表示输入数据，第二个参数表示要聚成几个类 WawaKMeans kmeans = new WawaKMeans(data, K);数据挖掘研究院 //5、开始迭代 kmeans.Start(); 数据挖掘论坛 //6、获取聚类结果并输出 WawaCluster[] clusters = kmeans.Clusters; foreach (WawaCluster cluster in clusters) 数据挖掘实验室 { List数据挖掘工具
Console.WriteLine("-----------------"); foreach (int i in members)数据挖掘交友
{ Console.WriteLine(docs[i]);数据挖掘论坛
} } Console.Read(); 数据挖掘研究院 
}数据挖掘实验室
以下是分词器的主要代码
数据挖掘工具
/**//// /// 以空白字符进行简单分词，并忽略大小写，/// 实际情况中可以用其它中文分词算法/// 数据挖掘交友
/// /// public IList{ Regex r=new Regex("([ \\t{}():;. \n])"); 数据挖掘工具 input=input.ToLower() ; String [] tokens=r.Split(input); 数据挖掘工具 List for (int i=0; i < tokens.Length ; i++)数据挖掘工具 { MatchCollection mc=r.Matches(tokens[i]);数据挖掘论坛 if (mc.Count <= 0 && tokens[i].Trim().Length > 0 && !StopWordsHandler.IsStopword (tokens[i]) ) 数据挖掘论坛 filter.Add(tokens[i]) ; } return filter.ToArray();数据挖掘工具
}以下是kmeans算法的基本代码 数据挖掘研究院
略。。 数据挖掘研究院
数据挖掘论坛
以下是聚类实体类的定义数据挖掘研究院
internal class WawaCluster{数据挖掘论坛
public WawaCluster(int dataindex,double[] data) { 数据挖掘论坛 CurrentMembership.Add(dataindex); Mean = data; }数据挖掘研究院 /**//// /// 该聚类的数据成员索引 /// internal List /**//// /// 该聚类的中心 数据挖掘研究院 /// internal double[] Mean; /**//// /// 该方法计算聚类对象的均值 /// /// 数据挖掘研究院
public void UpdateMean(double[][] coordinates) {数据挖掘交友
// 根据 mCurrentMembership 取得原始资料点对象 coord ，该对象是 coordinates 的一个子集； //然后取出该子集的均值；取均值的算法很简单，可以把 coordinates 想象成一个 m*n 的距阵 , //每个均值就是每个纵向列的取和平均值 , //该值保存在 mCenter 中 数据挖掘交友 for (int i = 0; i < CurrentMembership.Count; i++)数据挖掘交友 { double[] coord = coordinates[CurrentMembership[i]]; 数据挖掘实验室 for (int j = 0; j < coord.Length; j++) {数据挖掘工具 Mean[j] += coord[j]; // 得到每个纵向列的和； } 数据挖掘论坛 for (int k = 0; k < Mean.Length; k++) {数据挖掘研究院
Mean[k] /= coord.Length; // 对每个纵向列取平均值 } 数据挖掘实验室 } }}数据挖掘工具
数据挖掘工具
计算TF/IDF和利用余弦定理计算相似度的代码见完整版的代码下载，那两部分都是外国人写的，里面有它的联系方式，不懂的可以问他，反正我差不多懂了。 数据挖掘论坛
下面看看咱们的测试结果：
Iteration 0...
Iteration 1...
Iteration 2...
-----------------
奥运 拳击 入场券 基本 分罄 邹市明 夺冠 对手 浮出 水面
杭州 股民 放 鞭炮 庆祝 印花税 下调
残疾 女 青年 入围 奥运 游泳 比赛 创 奥运 历史 两 项 第一
运动员 行李 将 “后 上 先 下” 奥运 相关 人员 行李 实名制
奥运 票务 网上 成功 订票 后 应 及时 到 银行 代售 网点 付款
-----------------
股民 要 清楚 自己 的 目的
印花税 之 股民 四季
输 大钱 的 股民 给 我们 启迪
某 心理 健康 站 开张 后 首 个 咨询 者 是 位 新 股民
-----------------
介绍 一 个 ASP.net MVC 系列 教程
在 asp.net 中 实现 观察者 模式 ，或 有 更 好 的 方法 （续）
Asp.Net 页面 执行 流程 分析
asp.net 控件 开发 显示 控件 内容
ASP.NET 自定义 控件 复杂 属性 声明 持久性 浅析聚 类聚的非常准确，而且只迭代了3次，模型就收敛了，当然了这是最理想的效果，其实聚类的结果受好多种因素制约，提取特征的算法，随机初始化函数， kmeans算法的实现等，都有优化的地方，不信你把输入的数据的顺序改改，聚类结果就不一样了，或者把随机数的种子变一下，结果也不一样，k- means算法加入一些变异系数的调整，结果也不一样，提取特征的地方不用TF/IDF权重算法用别的，结果肯定也不一样。数据挖掘交友
完整代码里还有另一组测试数据，结果也很不错，我的意思是我的算法不是针对一组测试数据，而是针对好多数据都有不错的结果。 数据挖掘交友
总结：数学和英语真是写程序之根本呀，弄这个东西遇到了好多英语单词不会，查还查不出来，也理解不了，最后google一看，是个数学专用词，再搜索这个数学专用词的中文解释，发现还是理解不了那数学原理。所以还是得多学习数学和英语。 数据挖掘研究院
参考链接：
K-MEANS算法
http://beauty9235.javaeye.com/blog/161675
什么是变异系数
http://zhidao.baidu.com/question/15013015.html
TF/IDF实现
http://www.codeproject.com/KB/cs/tfidf.aspx
源码下载：WawaTextCluster.zip