基于WEKA 平台的文本聚类研究与实现

结合用户兴趣与微博信息的特点，提出了一种文本聚类与兴趣衰减的微博用户兴趣挖掘（TCID-MUIM）方法。首先通过基于词林的同义词合并策略弥补建模时词频信息不足的弊端；然后利用二次single-pass

文本分类和聚类技术展开了研究,分析了特征抽取法在文本分类和文本聚类中应用的重要性,以及论证了为何要对文本进行特征抽取,最后分别阐述了用于文本分类和文本聚类的特征抽取方法。

基于改进粒子群和K-Means的文本聚类算法研究.pdf

针对DBSCAN算法需用户设置参数值、易产生挖掘结果偏差等不足，提出改进算法DBTC(density-basedtextclustering)，该算法不仅能够发现任意形状的簇，还有效地解决了基于密度的

通过建立的文档数据集，极性最大频繁项集的研究，将包含相同最大频繁项集的文档聚集在一起，形成初始类簇，作为KMeans算法的初始类簇中心。

选择一组具有良好区分度的方向构建了CMAS坐标系，又根据初始簇的分布特性，构造出各个坐标轴的重新标度函数以提高聚类决策的有效性。其算法CMAS以迭代的方式收敛得到了最终解。CMAS算法的时间复杂度与K

一种基于n-gram短语的文本聚类方法研究

clusteringbasedonkernelkmeans

真正实现复杂网络社区结构发现的GN算法的JAVA源程序

1、概述 本篇博文为数据挖掘算法系列的第一篇。现在对于Kmeans算法进行简单的介绍,Kmeans算法是属于无监督的学习的算法,并且是最基本、最简单的一种基于距离的聚类算法。 下面简单说一下Kmean