《文本挖掘算法总结》由会员分享，可在线阅读，更多相关《文本挖掘算法总结（8页珍藏版）》请在金锄头文库上搜索。
1、文本数据挖掘算法应用小结1基于概率统计的贝叶斯分类2、ID3决策树分类3、基于粗糙集理论 Rough Set的确定型知识挖掘4、基于k-means聚类5、无限细分的模糊聚类 Fuzzy Clusteri ng6、SOM神经元网络聚类7、基于Meaning的文本相似度计算8、文本模糊聚类计算9、文本k-means聚类10、文本分类11、关联模式发现12、序列模式发现13、PCA主成分分析1基于概率统计的贝叶斯分类算法概述：贝叶斯公式是由英国数学家(Thomas Bayes 1702-1763 )创造，用来描述两个条件概率之间的关系，比如 P(A|B)为当“ B”事件发生时“ A”事件发生的概率，
2、按照乘法法 则：P(A A B)=P(A)*P(B|A)=P(B)*P(A|B)，可导出贝叶斯公式：P(A|B)=P(B|A)*P(A)/P(B)贝叶斯分类基本思想为：设决策变量为D , D1, D2 , Di，Dk为n条记录组成的样本空间S的一个划分，将n条记录划分成k个记录集合，如果以 P(Di)表示事件Di发生的概率, 且 P(Di) 0 ( i=1 , 2,，k)。对于任一事件 x, P(x)0，则有：贝叶斯分类的基本原理，就是利用贝叶斯条件概率公式，将事件X视为多个条件属性 Cj各种取值的组合，当x事件发生时决策属性 Di发生的条件概率。贝叶斯分类是一种概率型分 类知识挖掘方法，不能
3、百分之百地确定X事件发生时Di 一定发生。解决问题：预测所属分类的概率。通过已知n条样本集记录，计算各种条件属性组发生的概 率，得出“贝叶斯分类”规则，给定一个未知“标签”记录，选择最大概率为其所属“分类”。2、ID3决策树分类算法概述：ID3算法是J. Ross Quinlan在1975提出的分类算法，当时还没有“数据挖掘” 的概念。该算法以信息论为基础，以信息熵和信息增益度来确定分枝生成决策树D-Tree。ID3算法以决策树D-Tree构建分类知识模型，D-Tree中最上面的节点为根节点Root，每个分支是一个新的决策节点，或者是树的叶子。每个决策节点代表一个问题或决策，每一个叶子节点代表
4、一种可能的分类结果，沿决策树在每个节点都会遇到一个测试，对每个节点上问题的不同取值导致不同的分支，最后会到达一个叶子节点为确定所属分类。3YE$离中强關解决问题：预测所属分类。通过已知样本集记录，生成一颗“分类知识树”，给定一个未知“标签”记录，通过“分类知识树”来确定其所属分类。3、基于粗糙集理论 Rough Set的确定型知识挖掘算法概述：1982年波兰学者 乙Paw lak提出了粗糙集理论 Rough Sets Theory，它是一种刻 划不完整性和不确定性的数学工具，能有效分析不精确、不一致(Inconsistent)、不完整(Incomplete)等各种不完备信息，利用数据进行分析和
5、推理，从中发现隐含的知识，揭示 潜在的规律。粗糙集理论是继概率论、模糊集、证据理论之后的又一个处理不确定性事物的数学工具。粗糙集理论是建立在分类机制的基础上的，它将分类理解为在特定空间上的等价关系，而等价关系构成了对该空间的划分。粗糙集理论将知识理解为对数据的划分，每一被划分的集合称为概念。其主要思想是利用已知的知识库，将不精确或不确定的知识用已知的 知识库中的知识来(近似)刻画。解决问题：预测所属分类。粗糙集分类将样本空间 S划分为上近似集(Upper approximation)、 下近似集(Lower approximation )、边界集(Boundary region)，挖掘条件属性
6、 C与决策属性 D集合所包含的不可分记录(不能再细分，该集合中的所有记录都属于某一决策属性Di的取值)，这些记录形成不可辨识的关系(Indiscernibility relation)，由此确定分类规则：IF 条件属性C成立 THEN 决策属性Di发生即，如果满条件C,则其所属分类为 Di。IF中的条件C可以是单一条件，也可以是组合and (并且)组合条件。BIC给出的是“最小分类规则”。所谓“最小分类规则”是，最少的条件组合。例如一个人 属于“高”、“富”、“帅”，条件为：“身高”、“财富”、“工资性收入”、“财产性收入”、“产业 收入”、“脸型”、“眼睛大小”、“鼻梁形状”、“英俊”等条件
7、来判别，通过“粗糙集”分类计 算，得出最小分类规则可能是“ IF财富=XXX1 and 身高=185cm and相貌=英俊”其他条件可以忽略不计，这就是“最小分类规则”。“粗糙集”分类规则为“百分之百确定型”分类规则，这是对样本集的统计结果，如果出现 非“样本集”中出现过的条件变量属性，将无法得出“粗糙集”，可转而使用概率型“贝叶斯分类”进行计算。4、基于k-means聚类算法概述：给定一个包括n条记录、每条记录有 m个属性 的样本集，再给出分类数 k,要 求将样本集中的记录，按记录间的相似性大小(或距离远近)，将相似性最大(或距离最近)的记录划分到k个类中，相同分类中记录间的距离要尽可能地小
8、，而分类之间的距离要尽可能地大。BIC改进了常规的k-means聚类算法，在聚类过程中，同时计算分类质量（类内均差、类|鱼|空间均距亡片和无），并求解最优聚类 max元。解决问题：将n条记录聚成k个分类。对n个样本集记录，指定分类个数k，为k个分类指定初始迭代记录为 k个分类中心，通过计算其他记录对 k个分类中心的距离，对不断变换分 类、变换类中心，收敛都当分类不再变化时，计算结束。由此，将n个样本集记录分配到 k个分类中，得到k个分类中心指标。5、 无限细分的模糊聚类Fuzzy Clusteri ng算法概述：在实际解决聚类问题时，很多数事物是“模糊”的，其特征属性A无法确进行量化，如：人的
9、相貌、人与人之间的关系、人的性格、购买商品的意愿等，这就需要用模糊数学来进行相似性计算。模糊数学是伴随着上世纪五六十年代兴起的控制论、信息论、系统论（俗称“老三论”）而形成的一种决策方法， 是美国加利福尼亚大学伯克利分校 Lotfi Zadeh 教授于1965年创立的。模糊聚类基本计算步骤为：（1）将样本集中的n条记录变换成n x n的模糊相似矩阵；（2）通过传递包卷积计算将模糊相似矩阵变换成等价相似矩阵；（3） 最后通过入截矩阵将 n条记录分成1-n个分类。K-means聚类需事先确定聚类数 k，而模糊聚类Fuzzy Clustering无需事先确定聚类数 k,可 以从最小的k=1 （所有学
10、习集中的 n条记录为1个分类），到k=n （所有学习集中的 n条记 录各为1个分类）。解决问题：将n条记录聚成1-n个分类。模糊聚类 Fuzzy Clustering算法完全基于数据自然状况进行聚类，可产生聚类的解集合（k=1,2,n），因此，可以在解集合中求解最优聚类max ，这对观察分析样本集的数据性态非常有用，可供观察不同情况下的“聚类”状况。6、SOM神经元网络聚类算法概述：人类对事物的认知是一个不断积累的过程，通过对事物的观察，不断地认识和修正因果关系，最后逐渐稳定为认知规则。医学证明，人眼的视网膜、脊髓和海马中存一种侧抑制现象，即,当一个神经细胞兴奋后，会对其周围的神经细胞产生抑制
11、作用。这种侧抑制使神经细胞之间呈现出竞争，开始时可能多个细胞同时兴奋，但一个兴奋程度最强的神经细胞对周围神经细胞的抑制作用也最强，其结果使其周围神经细胞兴奋程度减弱，从而该神经细胞是这次竞争的“胜者”，其它神经细胞在竞争中失败。1981年芬兰学者 kohonen提出一个称为自组织特征映射（Self Organization Feature Map-SOM或SOFM ）网络，前述大脑神经细胞兴奋规律等，在该网络中都得到了反应。在竞争层神经 元之间的连线，它们是模拟生物神经网络层内神经元相互抑制现象的权值，这类抑制性权值满足一定的分布关系，如距离近的抑制强，距离远的抑制弱。辐入模式通过上述可知，S
12、OM聚类算法设计的核心思想是体现神经元在认知过程中的3个特性：（1）根据样本比较，逐步积累、不断修正、渐近稳定特性？（2）神经元之间的侧抑由近到远、逐步衰弱制特性？（3）神经元兴奋区域随认知次数逐步缩小范围特性？BIC采用欧氏距离作为输入模式Xi与各输出神经元 Wj之间的相似度，选择具有最小距离的神经元为兴奋神经元；采用（1-ti/tm ）作为学习衰减函数，其中 ti为当前学习次数（第几 次样本训练），tm为总的学习数，以此来体现上述特性“1”；采用（1-ti/T ）、C/Wij作为神经元侧抑制函数，其中 C为设定的常数、 Wij为被选中的神经元与其他神经元最远距离，来 体现上述特性“ 2”、
13、“3”。解决问题：将n条记录按m个输出神经元聚成 m个分类。模仿人类的学习方法，对事物的 认识是一个由浅入深、 逐步学习、修正的过程，将对各种要素组态的认识逐步稳定到认知领 域，由此进行“聚类”。7、基于Meaning的文本相似度计算算法概述：给出一组n个文档Di”心二- - - b , BIC为每个文档计算出一组最- - -具有代表性的词组-，同时，计算出相互间内容接近度及接近序列。BIC的Meaning挖掘与自动搜索不同于现有Baidu、Google人工输入关键词的搜索方式，现有搜索引擎不考虑语义和语境，只考虑词W与文档D的包含关系和词在文档内的频数TF，因此，关键词的搜索与文档内容无关。
14、例如：“姚明”是中国篮球的骄傲，但“姚明”还投身于公益事业，如果在搜索引擎中输入“姚明”，不见得搜索的文档内容只包含与篮球相关的内容，还可能包括公益及其他包含 “姚明”的文档，可见，关键词搜索具有不确定性。如果在搜索引擎输入一组词 “姚明”、“得分”、“篮板” ，搜出文档是篮球比赛内容的概率更大，显然，叫形成的交集缩小了搜索范围，但组词 “姚明”、“得分”、“篮板” 是经过人思考给出的。BIC通过计算得出文档代表词组 1 i，相当于人工输入 “姚i明”、“得分”、“篮板” ，同时计算词】在句子中语序关系的发生概率与马尔科夫链，因此，能够更好地确定搜索词的语义和语境，通过对文档间的相关性 （接近
15、度）进行聚类计算，可按Meaning “接近度”进行自动搜索而无需人工干预，并随文档内容的变化而自动跟踪 Meaning变化，使搜索更加准确、更加自动化，让搜索“随用户的心而动”。BIC可用于基于Meaning计算的搜索、舆情分析、特定情报分析、垂直搜索和相似内容推荐等文本挖掘。解决问题：计算两个文本的相似度。8、文本模糊聚类计算算法概述：基于模糊聚类算法，BIC首先计算将n个文本组成相似矩阵(第i个文本文档对第j个文本文档的相似度)，然后将相似矩阵变成模糊相似矩阵闷，通过求模糊相似矩阵的等价矩阵和截矩阵，将n个文本文档分成1-n个分类，同时，按相同分类中的文本具有最接近的内容相似度Min也，不同文本分类间具有最大差异Max - ，来求解按文本内容进行最优分类方案。解决问题：在不确定将文本划分成几类的情况下，将n个文本聚成1-n个分类，以此来观察“聚类”效果。9、文本
