张银明，黄廷磊，林　科，张嫱嫱

(桂林电子科技大学 计算机与信息安全学院，广西 桂林　541004)



一种改进的k均值文本聚类算法

张银明，黄廷磊，林科，张嫱嫱

(桂林电子科技大学 计算机与信息安全学院，广西 桂林541004)

针对k均值算法在文本聚类中由于初始聚类质心随机选择，使得聚类结果陷入局部最优，且孤立点和不确定的聚类个数造成k均值算法准确性低、收敛速度慢的问题，提出了一种改进的k均值文本聚类算法。该算法采用fp-growth算法挖掘文本频繁项集，过滤频繁项集得到核心频繁项集，并利用核心频繁项集指导文本初始聚类质心和聚类个数的生成，最后k均值算法利用初始聚类质心和聚类个数完成文本聚类。在新浪微博数据集上进行文本聚类实验，实验结果表明，改进的k均值算法提高了文本聚类的准确性，加快了收敛速度，具有较强的鲁棒性。

文本聚类；fp-growth；k均值

随着网络信息的爆炸式增长，在海量文本中高效、准确地提炼有价值的信息已成为研究热点。文本聚类作为文本挖掘的重要手段，将有价值的信息通过文本聚集呈现，是一个自动划分类别的过程。k均值算法简单易懂，是应用最广泛的聚类方法，但k均值算法存在2个不足：1)在聚类之前需要确定数据的聚类个数；2)初始聚类质心的随机选择导致聚类结果局部最优而非全局最优。针对上述不足，李小武等[1]提出了基于最优划分的k均值初始聚类中心选取算法，该算法通过划分样本确定初始聚类中心的分布，但文本维数较高时递归次数增多。……