• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Knowledge and Data Engineering, IEEE Transactions on >Text Clustering with Seeds Affinity Propagation
【24h】

Text Clustering with Seeds Affinity Propagation

机译：带有种子亲和力传播的文本聚类

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Based on an effective clustering algorithmȁ4;Affinity Propagation (AP)ȁ4;we present in this paper a novel semisupervised text clustering algorithm, called Seeds Affinity Propagation (SAP). There are two main contributions in our approach: 1) a new similarity metric that captures the structural information of texts, and 2) a novel seed construction method to improve the semisupervised clustering process. To study the performance of the new algorithm, we applied it to the benchmark data set Reuters-21578 and compared it to two state-of-the-art clustering algorithms, namely, k-means algorithm and the original AP algorithm. Furthermore, we have analyzed the individual impact of the two proposed contributions. Results show that the proposed similarity metric is more effective in text clustering (F-measures ca. 21 percent higher than in the AP algorithm) and the proposed semisupervised strategy achieves both better clustering results and faster convergence (using only 76 percent iterations of the original AP). The complete SAP algorithm obtains higher F-measure (ca. 40 percent improvement over k-means and AP) and lower entropy (ca. 28 percent decrease over k-means and AP), improves significantly clustering execution time (20 times faster) in respect that k-means, and provides enhanced robustness compared with all other methods.
机译：基于有效的聚类算法ȁ4；亲和传播（AP）ȁ4；我们在本文中提出了一种新颖的半监督文本聚类算法，称为种子亲和传播（SAP）。我们的方法有两个主要贡献：1）捕获文本结构信息的新相似度度量； 2）改进半监督聚类过程的新颖种子构建方法。为了研究新算法的性能，我们将其应用于基准数据集Reuters-21578，并将其与两种最先进的聚类算法（即k-means算法和原始AP算法）进行了比较。此外，我们分析了这两项拟议捐助的个人影响。结果表明，所提出的相似性度量在文本聚类中更有效（F度量比AP算法高约21％），并且所提出的半监督策​​略实现了更好的聚类结果和更快的收敛（仅使用原始算法的76％迭代） AP）。完整的SAP算法可获得更高的F度量（比k均值和AP约提高40％）和更低的熵（比k均值和AP约降低28％），显着缩短了聚类执行时间（快20倍）尊重k均值，并且与所有其他方法相比，具有更高的鲁棒性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号