如何使用 kmeans 聚类和使用余弦相似度来解决这个问题

Question

谁能告诉我 k-means 聚类如何在文本挖掘中发挥作用。 我使用余弦相似度作为距离度量。

nim              310910022       320910044          310910043           310910021
access               0               2                  3                   5
abdi                 1               0                  0                   0 
actual               5               0                  0                   1
arrow                 0               1                 1                   2

此数据在列表视图中

如何在 VB.net 中做到这一点？获取该术语的任何集群和趋势主题？

提前致谢

Answer 1

首先我将问题分为两部分：

1. 计算 k-means 聚类分配
2. 从 GUI 获取数据（您提到数据在列表视图中）

我认为 2 是直截了当的，你只需要 1 的帮助。

我将首先重写代码，以按照您的指定读取数据的 TSV 文本文件。这将使调试变得更容易。

然后询问您是想自己实现kmeans算法还是使用库。 如果你想实现它，这里是伪代码的链接 http://www.scribd.com/doc/89373376/K-Means-Pseudocode 您还可以搜索其他 kmeans 伪代码。

如果您想使用库仅针对 kmeans 算法“运行”您的数据，这里是 python/scipy 中的一个示例。 http://glowingpython.blogspot.com/2012/04/k-means-clustering-with-scipy.html

无论您使用哪种方法，都要意识到 kmeans 是非确定性的，每次运行它时您可能会得到不同的答案。我建议对已知的验证集进行计算，以查看数据是否大致符合您的想法。