王日宏，崔兴梅

(青岛理工大学 计算机工程学院，山东 青岛 266033)(*通信作者电子邮箱rihongw@126.com)

0 引言

随着信息时代的发展，现有的技术手段无法实时满足海量文本数据的要求，出现了一种“知识匮乏”困局。聚类作为数据挖掘的一个重要技术方法，目前已成为一大研究热点。聚类分析不同于其他挖掘方法，它的优势主要体现在可以直接根据文本信息的自然分布状态而挖掘出有用的信息[1]。按照特定方法，实现聚类后同类数据之间的相似性大，不同类间的相似性小。

K-均值聚类(K-means clustering)算法作为一种比较典型的聚类分析算法而备受关注，并广泛应用于文本聚类分析[2-3]、客户细分[4]、交通管理[5]等实际应用领域。文本聚类分析的目标则是通过衡量文本相似度，进而将杂乱的文本集分成几个特定要求的类，实现同一类文本数据间的相似性大，不同类间的文本相似性小。然而传统的K-均值算法具有初始簇中心选择敏感、易受孤立点影响、易陷入局部极值、聚类结果不稳定等缺点，致使聚类效果不佳，无法取得理想实验效果。针对传统K-均值算法存在的缺点，各种K-means改进算法纷纷涌现，主要从获得最佳聚类中心与最好聚类数目这两方面进行优化[6-9]。樊宁[4]通过动态调整聚类数k的值，并采用密度半径来优化初始聚类中心选择，但其客户分类准确率有待提高。黄韬等[10]通过对原数据集多次采样，并进行k个质心的聚类运算，达到优化选取初始聚类中心的目的，但存在参数点的选取对聚类影响不明确的不足。……