基于均值漂移算法的文本聚类数目优化研究

摘要：

[目的]探索最佳文本聚类数目的优化方法,为提升文本聚类算法的有效性和质量提供参考.[方法]结合TF-IDF和Word2Vec算法,提取Top N关键词向量作为语料库文本特征表达;结合均值漂移算法、聚类有效性指标(Silhouette)和均方误差(MSE)指标,确定最佳文本聚类数目.[结果]Top 4 500关键词向量规模能较好呈现文本特征;基于均值漂移算法确定的最佳文本聚类数与人工研判优化的聚类数相符.[局限]选取的实验数据集合不够充足,缺少在其他领域的应用对比.[结论]本文方法可以在无监督方式下高质量完成文本聚类个数的确定.

关键词：均值漂移、文本聚类、聚类数、聚类有效性

所属期刊栏目：3

分类号：G20;G35(信息与传播理论)

资助基金：国家社会科学基金项目“基于开放获取学术期刊的资源深度整合与揭示研究”16BTQ025;中国科学院文献情报中心文献情报能力建设专项项目“文献情报‘数据湖’及开放式大数据框架建设”项目院1852的研究成果之一

在线出版日期：2019-11-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：27-35