标签：并且 文本聚类 时间 举例 训练 变化 向量 设计 结束
算法的目的：对文本进行聚类，得到几簇相似的样本。
算法的流程：
预处理：统计sscCorpus中所有的词、词频、词的标号。
初始化：形成初始的文章-主题和主题-词的矩阵(最开始)
Gibbs 采样：使用Gibbs采样得到稳定的文章-主题和主题-词的矩阵
每一簇的主题提取：提取出每一类中的文章，再对每一类中的文章找出主题词。（注：不能将这些doc进行相加，再对其提取关键词，理论可行但是实践不可行。现在的方法是提取出每doc的关键词再取前TOP）
算法的输入和输出：
输入（待聚类的文本）：SscCorpus sscCorpus
输出（每一簇是一个Cluster）：List<Cluster>
1.2.1Kmeans+canopy
算法的目的：在没有指定聚类数目的条件下，使用canopy找到聚类的数目K，再根据聚类数目得到K簇结果。
算法的流程：
预处理：输入的是SscCorpus corpus 输出的是List<CorpusBean> 。目的就是为了转化格式。
Canopy确定数目：根据所有点的平均距离设为阈值T，使用canopy计算文本大致分为几簇，找到初始的聚类的中心点。确定文本聚类的中心点。（这样可以减少寻找聚类数目K的时间）
聚类：按照离中心点最近的原则，将点分配到各个簇中，直到其中有一个中心点没有发生变化就可以终止循环。（注：可以设置其他的结束条件，当两次的中心点的大小差距小于阈值时，就终止循环。）
每一簇的主题提取：提取出每一类中的文章，再对每一类中的文章找出主题词。（注：不能将这些doc进行相加，再对其提取关键词，理论可行但是实践不可行。现在的方法是提取出每doc的关键词再取前TOP）
算法的输入和输出：
输入（待聚类的文本）：SscCorpus sscCorpus
输出（每一簇是一个Cluster）：List<Cluster>
1.2.2Kmeans+numberCluster
算法的目的：在指定聚类数目K的条件下，将文本聚成K簇。
算法的流程：
预处理：输入的是SscCorpus corpus 输出的是List<CorpusBean> 。目的就是为了转化格式。
确定聚类中心：根据输入的聚类数目K，找到文本的K个中心，确定文本聚类的中心点。 聚类：按照离中心点最近的原则，将点分配到各个簇中，直到其中有一个中心点没有发生变化就可以终止循环。（注：可以设置其他的结束条件，当两次的中心点的大小差距小于阈值时，就终止循环。）
每一簇的主题提取：提取出每一类中的文章，再对每一类中的文章找出主题词。（注：不能将这些doc进行相加，再对其提取关键词，理论可行但是实践不可行。现在的方法是提取出每doc的关键词再取前TOP）
算法的输入和输出：
输入（待聚类的文本）：SscCorpus sscCorpus
输出（每一簇是一个Cluster）：List<Cluster>
Entropy：
对于一个聚类i，首先计算。指的是聚类 i 中的成员（member）属于类（class）j 的概率，。其中是在聚类 i 中所有成员的个数，是聚类 i 中的成员属于类 j 的个数。每个聚类的entropy可以表示为，其中L是类（class）的个数。整个聚类划分的entropy为，其中K是聚类（cluster）的数目，m是整个聚类划分所涉及到的成员个数。
Purity：
使用上述Entropy中的定义，我们将聚类 i 的purity定义为。整个聚类划分的purity为，其中K是聚类（cluster）的数目，m是整个聚类划分所涉及到的成员个数。
二．分类算法：
2.1朴素贝叶斯算法
算法的目的：根据朴素贝叶斯算法得到文本的分类，主要使用的公式是：
算法的流程：
训练模型：得到每个分类中，所有的词及其权重。
预测文本分类：将文本进行分词，计算分到每个类中的概率，选择概率最大的作为文本的类别。
算法的输入和输出：Doc doc 和NBModel model
计算准确率即可。
2.2 RandomForest
算法的目的： 对文本进行分类。
算法的流程：
训练模型：将文本进行预处理，得到每篇文本的属性的矩阵。构建随机森林的模型
预测文本分类：将文本转化成需要的矩阵的形式，输入模型进行预测。
算法的输入和输出： Doc doc 和RFModel model
信息熵：
信息增益：
算法的目的：提取每篇文本的重要词语。
算法的流程：
预处理：将文本进行分词，去停用词。
整理成活动窗口的形式：
根据公式进行计算每个词的权重：
将词的权重进行排序：
按照规定的数目进行输出：
算法的输入和输出：Doc doc List<KeywordExtractorBean> result
举例说明：
先看看测试数据：
程序员(英文Programmer)是从事程序开发、维护的专业人员。一般将程序员分为程序设计人员和程序编码人员，但两者的界限并不非常清楚，特别是在中国。软件从业人员分为初级程序员、高级程序员、系统分析员和项目经理四大类。
我取出了百度百科关于“程序员”的定义作为测试用例，很明显，这段定义的关键字应当是“程序员”并且“程序员”的得分应当最高。
首先对这句话分词，这里可以借助各种分词项目，比如HanLP分词，得出分词结果：
[程序员/n, (, 英文/nz, programmer/en, ), 是/v, 从事/v, 程序/n, 开发/v, 、/w, 维护/v, 的/uj, 专业/n, 人员/n, 。/w, 一般/a, 将/d, 程序员/n, 分为/v, 程序/n, 设计/vn, 人员/n, 和/c, 程序/n, 编码/n, 人员/n, ，/w, 但/c, 两者/r, 的/uj, 界限/n, 并/c, 不/d, 非常/d, 清楚/a, ，/w, 特别/d, 是/v, 在/p, 中国/ns, 。/w, 软件/n, 从业/b, 人员/n, 分为/v, 初级/b, 程序员/n, 、/w, 高级/a, 程序员/n, 、/w, 系统/n, 分析员/n, 和/c, 项目/n, 经理/n, 四/m, 大/a, 类/q, 。/w]
然后去掉里面的停用词，这里我去掉了标点符号、常用词、以及“名词、动词、形容词、副词之外的词”。得出实际有用的词语：
[程序员, 英文, 程序, 开发, 维护, 专业, 人员, 程序员, 分为, 程序, 设计, 人员, 程序, 编码, 人员, 界限, 特别, 中国, 软件, 人员, 分为, 程序员, 高级, 程序员, 系统, 分析员, 项目, 经理]
之后建立两个大小为5的窗口，每个单词将票投给它身前身后距离5以内的单词：
{开发=[专业, 程序员, 维护, 英文, 程序, 人员],
软件=[程序员, 分为, 界限, 高级, 中国, 特别, 人员],
程序员=[开发, 软件, 分析员, 维护, 系统, 项目, 经理, 分为, 英文, 程序, 专业, 设计, 高级, 人员, 中国],
分析员=[程序员, 系统, 项目, 经理, 高级],
维护=[专业, 开发, 程序员, 分为, 英文, 程序, 人员],
系统=[程序员, 分析员, 项目, 经理, 分为, 高级],
项目=[程序员, 分析员, 系统, 经理, 高级],
经理=[程序员, 分析员, 系统, 项目],
分为=[专业, 软件, 设计, 程序员, 维护, 系统, 高级, 程序, 中国, 特别, 人员],
英文=[专业, 开发, 程序员, 维护, 程序],
程序=[专业, 开发, 设计, 程序员, 编码, 维护, 界限, 分为, 英文, 特别, 人员],
特别=[软件, 编码, 分为, 界限, 程序, 中国, 人员],
专业=[开发, 程序员, 维护, 分为, 英文, 程序, 人员],
设计=[程序员, 编码, 分为, 程序, 人员],
编码=[设计, 界限, 程序, 中国, 特别, 人员],
界限=[软件, 编码, 程序, 中国, 特别, 人员],
高级=[程序员, 软件, 分析员, 系统, 项目, 分为, 人员],
中国=[程序员, 软件, 编码, 分为, 界限, 特别, 人员],
人员=[开发, 程序员, 软件, 维护, 分为, 程序, 特别, 专业, 设计, 编码, 界限, 高级, 中国]}
4.1 Cosine Distance
算法的目的：计算文本之间的相似度。短文本和长文本都是比较好的。
算法的流程：
预处理:将文本处理成字符串的形式。
Cosine Distance：根据余弦公式计算两文本之间的距离。
算法的输入和输出：
输入：Dod doc1 Doc doc2
输出：Double similarity
4.2 Edit Distance
算法的目的：计算文本之间的相似度。适合短文本或者是句子相似度计算。
算法的流程：
预处理:将文本处理成字符串的形式。
Edit Distance：根据两字符串通过增删改的次数计算两文本的相似度。
算法的输入和输出：
输入：Dod doc1 Doc doc2
输出：Double similarity
4.3 Jaccard Distance
算法的目的：计算文本之间的相似度。适合使用短文本。
算法的流程：
预处理:将文本处理成字符串的形式。
Jaccard Distance：根据两字符串交集与并集的商值作为文本的相似度。
算法的输入和输出：
输入：Dod doc1 Doc doc2
输出：Double similarity
4.4 Simhash
算法的目的：simhash算法的主要思想是降维，将高维的特征向量映射成一个f-bit的指纹(fingerprint)，通过比较两篇文章的f-bit指纹的Hamming Distance来确定文章是否重复或者高度近似。
算法的流程：
算法的输入和输出：
实现方式：
1. 首先基于传统的IR方法，将文章转换为一组加权的特征值构成的向量。
2.初始化一个f维的向量V，其中每一个元素初始值为0。
3.对于文章的特征向量集中的每一个特征，做如下计算：
利用传统的hash算法映射到一个f-bit的签名。对于这个f- bit的签名，如果签名的第i位上为1，则对向量V中第i维加上这个特征的权值，否则对向量的第i维减去该特征的权值。
4.对整个特征向量集合迭代上述运算后，根据V中每一维向量的符号来确定生成的f-bit指纹的值，如果V的第i维为正数，则生成f-bit指纹的第i维为1，否则为0。
算法的目的：
算法的流程：
算法的输入和输出：
标签：并且 文本聚类 时间 举例 训练 变化 向量 设计 结束
原文地址：http://www.cnblogs.com/angel1314/p/6165673.html
