基于nmf算法的文本聚類研究

《基于nmf算法的文本聚類研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。

1、碩士學位論文基于NMF算法的文本聚類研究ResearchofTextClusteringbasedonNMFAlgorithm作者：巨瑜芳導(dǎo)師：雷小鋒副教授中國礦業(yè)大學二○一四年六月萬方數(shù)據(jù)中圖分類號TP311學校代碼10290UDC004密級公開中國礦業(yè)大學碩士學位論文基于NMF算法的文本聚類研究ResearchofTextClusteringbasedonNMFAlgorithm作者巨瑜芳導(dǎo)師雷小鋒申請學位工學碩士學位培養(yǎng)單位計算機學院學科專業(yè)計算機應(yīng)用技術(shù)研究方向數(shù)據(jù)挖掘答辯委員會主席評閱人二○一四年六月萬方數(shù)據(jù)學位論文使用授權(quán)聲明本人完全了解中國礦業(yè)大學有關(guān)保留、

2、使用學位論文的規(guī)定，同意本人所撰寫的學位論文的使用授權(quán)按照學校的管理規(guī)定處理：作為申請學位的條件之一，學位論文著作權(quán)擁有者須授權(quán)所在學校擁有學位論文的部分使用權(quán)，即：①學校檔案館和圖書館有權(quán)保留學位論文的紙質(zhì)版和電子版，可以使用影印、縮印或掃描等復(fù)制手段保存和匯編學位論文；②為教學和科研目的，學校檔案館和圖書館可以將公開的學位論文作為資料在檔案館、圖書館等場所或在校園網(wǎng)上供校內(nèi)師生閱讀、瀏覽。另外，根據(jù)有關(guān)法規(guī)，同意中國國家圖書館保存研究生學位論文。（保密的學位論文在解密后適用本授權(quán)書）。作者簽名：導(dǎo)師簽名：年月日年月日萬方數(shù)據(jù)學位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的學位

3、論文《基于NMF算法的文本聚類研究》，是本人在導(dǎo)師指導(dǎo)下，在中國礦業(yè)大學攻讀學位期間進行的研究工作所取得的成果。據(jù)我所知，除文中已經(jīng)標明引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫過的研究成果。對本文的研究做出貢獻的個人和集體，均已在文中以明確方式標明。本人完全意識到本聲明的法律結(jié)果由本人承擔。學位論文作者簽名：年月日61萬方數(shù)據(jù)論文審閱認定書研究生在規(guī)定的學習年限內(nèi)，按照研究生培養(yǎng)方案的要求，完成了研究生課程的學習，成績合格；在我的指導(dǎo)下完成本學位論文,經(jīng)審閱，論文中的觀點、數(shù)據(jù)、表述和結(jié)構(gòu)為我所認同，論文撰寫格式符合學校的相關(guān)規(guī)定，同意將本論文作為學位申

4、請論文送專家評審。導(dǎo)師簽字：年月日萬方數(shù)據(jù)致謝光陰似箭，轉(zhuǎn)眼間三年的研究生學習就要結(jié)束了，這三年的學習雖然辛苦，但是學到了很多知識。在論文完成之際，我要衷心的感謝所有給過我?guī)椭娜耍∈紫?，我要深深地感謝我的導(dǎo)師雷小鋒在我這三年的研究生學習和生活中給予了無微不至的幫助和關(guān)懷，老師淵博的學識、嚴謹?shù)闹螌W、孜孜不倦的科研精神以及正直純樸的為人使我終生受益。導(dǎo)師誠信做人、認真做事、嚴謹做學問的態(tài)度將是我終身學習的榜樣。導(dǎo)師寬厚待人，特別是要求我們多看書，多學習，有扎實的專業(yè)功底，支持我們實現(xiàn)人生的夢想，在此，我想對恩師致以誠摯的敬意和衷心的感謝！我因為有這么一個好導(dǎo)師而感到無比榮

5、幸。同時還要感謝我的師兄莊偉、戴斌、宋豐泰在我的論文發(fā)表上給予我的幫助，感謝師妹孫自梅、師弟許多、閆志新，是他們在學習上給予了莫大的幫助。感謝我的室友萬玲、別玉玉、梁鈺敏陪我度過了這美好的七年的學習生涯。感謝所有給我上過課的和給予過幫助的老師以及計算機11級碩士全班同學。和你們在一起的日子是我這一生中最難以忘懷的日子，也是我生命中最美好的日子。感謝我的父母、弟弟妹妹、我的知己劉繼龍，他們在我外地求學的幾年中給了我無論是經(jīng)濟上還是精神上莫大的幫助和無私的關(guān)愛，他們的愛和支持是我不斷進步的源泉和動力。最后要深深地感謝各位評審老師對我的論文提出寶貴的意見，向百忙之中抽出時間評審

6、論文和參加答辯的老師致以深深的謝意！萬方數(shù)據(jù)摘要聚類分析是數(shù)據(jù)挖掘、模式識別等方向的重要研究內(nèi)容之一，已被廣泛用于數(shù)據(jù)壓縮、文本聚類、信息檢索、圖像分割等領(lǐng)域。近年來，網(wǎng)上電子文檔的數(shù)量以指數(shù)級的速度增長，這使得文本聚類在信息檢索和信息管理等方面變得越來越重要。文本數(shù)據(jù)具有高維、稀疏等特點，這使得許多聚類算法不能直接用于文本聚類；另外，文本集規(guī)模的海量性對聚類算法的運行效率也提出了很高的要求。向量空間模型是常用的文本表示方法之一，由于文本的高維、稀疏等特點，本文將非負矩陣分解算法（Non-negativeMatrixFactorization,簡稱NMF）應(yīng)用到文本聚類中

7、去。非負矩陣分解算法是一種比較新的特征抽取方法，由于對分解結(jié)果加上了非負的限制，基于非負矩陣分解抽取的特征向量更能反映樣本的局部特征，并且它的分解結(jié)果具有很高的可解釋性。本文首先介紹了非負矩陣分解的基本思想和基本算法，由于非負矩陣分解算法收斂速度較慢、容易收斂到較差的局部最優(yōu)解，因此本文對NMF算法進行了改進，使用模糊C-均值（FuzzyC-Means,簡稱FCM）算法對其進行初始化。其次，由于文本集的規(guī)模很大，對聚類算法的要求就更為嚴格，標準的k-means算法需要在每一次迭代中計算每一個樣本點到所有聚類中心的距離，這樣浪費