本发明专利技术提供一种基于K‑均值聚类算法的初始聚类中心确定方法及装置，能够快速、准确地从大量的微博数据中发现舆情热点话题。所述方法包括：获取数据对象集合，其中，所述数据对象集合包括：微博文档集合；确定数据对象集合中每个数据对象与其它数据对象间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的数据对象作为核心对象；从核心对象中选取彼此间最不相似的多个核心对象作为K‑均值聚类算法的初始聚类中心，以便K‑均值聚类算法根据得到的初始聚类中心进行聚类。本发明专利技术涉及机器学习领域。
A Method and Device for Determining Initial Clustering Centers Based on K-Mean Clustering Algorithms
【技术实现步骤摘要】
一种基于K-均值聚类算法的初始聚类中心确定方法及装置
本专利技术涉及机器学习领域，特别是指一种基于K-均值聚类算法的初始聚类中心确定方法及装置。
技术介绍
随着媒体技术的不断进步和信息传播渠道的日趋多元化，当今社会进入了“人人都是新闻传播者”的自媒体时代。广大网民参与言论的热情高涨，特别是微博的兴起，网民可以通过电脑、手机随时随地发表言论。自新浪微博—Twitter类的新兴网络应用推出以来，注册用户、月活跃用户及每日用户发博量增长极快，微博上的舆论已成为网络舆情中极具影响力的一种。如何从海量数据中快速有效地发现网民关注的热门话题，从而引导政府相关部门及时捕捉微博中敏感的舆论信息，合理地控制负面舆论的扩散。目前，很多政府机关采用全人工或是半自动的监测统计方法，效率低，准确度也低。因此，迫切需要一种更为有效的微博热点话题发现方法。K均值(K-means)聚类算法是一种最为经典、使用最为广泛的划分聚类算法，经常被用于网络舆情的聚类中。但是，其使用有一定的局限性，例如，初始聚类中心的选择方法不一，若选取到孤立点，往往导致最终聚类结果陷入局部最优。
技术实现思路
本专利技术要解决的技术问题是提供一种基于K-均值聚类算法的初始聚类中心确定方法及装置，以解决现有的K-均值聚类算法的初始聚类中心选取到孤立点，易导致聚类结果陷入局部最优的问题。为解决上述技术问题，本专利技术实施例提供一种基于K-均值聚类算法的初始聚类中心确定方法，包括：获取数据对象集合，其中，所述数据对象集合包括：微博文档集合；确定数据对象集合中每个数据对象与其它数据对象间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的数据对象作为核心对象；从核心对象中选取彼此间最不相似的多个核心对象作为K-均值聚类算法的初始聚类中心，以便K-均值聚类算法根据得到的初始聚类中心进行聚类。进一步地，所述确定数据对象集合中每个数据对象与其它数据对象间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的数据对象作为核心对象包括：确定微博文档集合中任意两个文档间的相似度，将相似度保存至相似度矩阵中；根据相似度矩阵，计算每一个文档与其他文档两两之间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的文档，形成核心文档集合。进一步地，两个文档bi和bj之间的相似度similarity(bi,bj)表示为：其中，bik、bjk分别表示文档bi和bj第k个特征项的权值，n是bi中特征项的总数目，tfk(bi)是指第k个特征项在bi中出现的次数，NBL是微博文档集合中文档的数目，nk表示包含第j个特征项的微博文档的个数。进一步地，文档b与其他文档两两之间的平均相似度density(b)表示为：density(b)＝∑x∈BLsimilarity(x,b)/NBL其中，BL表示微博文档集合，NBL表示微博文档集合中文档的数目。进一步地，所述从核心对象中选取彼此间最不相似的多个核心对象作为K-均值聚类算法的初始聚类中心包括：S31，将核心文档集合中的第一个核心文档作为第一个初始聚类中心点centers[1]，并从核心文档集合中删除该核心文档，令计数参数k＝1，同时，将centers[1]置为当前聚类中心点；S32，遍历核心文档集合中剩余的核心文档，选择与当前聚类中心点最不相似的核心文档作为下一个初始聚类中心，添加到初始聚类中心点centers中，并从核心文档集合中删除该核心文档；S33，更新当前聚类中心点，并使k＝k+1，转S32；S34，重复执行S32和S33，直至k与预设的聚类簇数K值相等为止，输出初始聚类中心点centers。本专利技术说实施例还提供一种基于K-均值聚类算法的初始聚类中心确定方法，包括：获取模块，用于获取数据对象集合，其中，所述数据对象集合包括：微博文档集合；确定模块，用于确定数据对象集合中每个数据对象与其它数据对象间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的数据对象作为核心对象；选取模块，用于从核心对象中选取彼此间最不相似的多个核心对象作为K-均值聚类算法的初始聚类中心，以便K-均值聚类算法根据得到的初始聚类中心进行聚类。进一步地，所述确定模块包括：确定单元，用于确定微博文档集合中任意两个文档间的相似度，将相似度保存至相似度矩阵中；形成单元，用于根据相似度矩阵，计算每一个文档与其他文档两两之间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的文档，形成核心文档集合。进一步地，两个文档bi和bj之间的相似度similarity(bi,bj)表示为：其中，bik、bjk分别表示文档bi和bj第k个特征项的权值，n是bi中特征项的总数目，tfk(bi)是指第k个特征项在bi中出现的次数，NBL是微博文档集合中文档的数目，nk表示包含第j个特征项的微博文档的个数。进一步地，文档b与其他文档两两之间的平均相似度density(b)表示为：density(b)＝∑x∈BLsimilarity(x,b)/NBL其中，BL表示微博文档集合，NBL表示微博文档集合中文档的数目。进一步地，所述选取模块包括：删除单元，用于将核心文档集合中的第一个核心文档作为第一个初始聚类中心点centers[1]，并从核心文档集合中删除该核心文档，令计数参数k＝1，同时，将centers[1]置为当前聚类中心点；遍历单元，用于遍历核心文档集合中剩余的核心文档，选择与当前聚类中心点最不相似的核心文档作为下一个初始聚类中心，添加到初始聚类中心点centers中，并从核心文档集合中删除该核心文档；更新单元，用于更新当前聚类中心点，并使k＝k+1，转遍历单元；输出单元，用于重复执行遍历单元和更新单元，直至k与预设的聚类簇数K值相等为止，输出初始聚类中心点centers。本专利技术的上述技术方案的有益效果如下：上述方案中，通过确定数据对象集合中每个数据对象与其它数据对象间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的数据对象作为核心对象，其中，所述数据对象集合包括：微博文档集合；从核心对象中选取彼此间最不相似的多个核心对象作为K-均值聚类算法的初始聚类中心，以便K-均值聚类算法根据得到的初始聚类中心对微博文档集合进行聚类。这样，不仅可以消除初始聚类中心选取到孤立点可能导致聚类结果陷入局部最优的不良影响，还提高了微博聚类的准确性、稳定性，并能够快速、准确地从大量的微博数据中发现舆情热点话题。附图说明图1为本专利技术实施例提供的基于K-均值聚类算法的初始聚类中心确定方法的流程示意图；图2为本专利技术实施例提供的微博文档预处理流程示意图；图3为本专利技术实施例提供的基于K-均值聚类算法的初始聚类中心确定方法的详细流程示意图；图4为本专利技术实施例提供的基于K-均值聚类算法的初始聚类中心确定装置的结构示意图。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。本专利技术针对现有的K-均值聚类算法的初始聚类中心选取到孤立点，易导致聚类结果陷入局部最优的问题，提供一种基于K-均值聚类算法的初始聚类中心确定方法及装置。实施例一如图1所示，本专利技术实施例提供的基于K-均值聚类算法的初始聚类中心确定方法，包括：S101，获取数据对象集合，其中，所述数据对象集合包括：本文档来自技高网...
【技术保护点】
1.一种基于K‑均值聚类算法的初始聚类中心确定方法，其特征在于，包括：获取数据对象集合，其中，所述数据对象集合包括：微博文档集合；确定数据对象集合中每个数据对象与其它数据对象间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的数据对象作为核心对象；从核心对象中选取彼此间最不相似的多个核心对象作为K‑均值聚类算法的初始聚类中心，以便K‑均值聚类算法根据得到的初始聚类中心进行聚类。
【技术特征摘要】
1.一种基于K-均值聚类算法的初始聚类中心确定方法，其特征在于，包括：获取数据对象集合，其中，所述数据对象集合包括：微博文档集合；确定数据对象集合中每个数据对象与其它数据对象间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的数据对象作为核心对象；从核心对象中选取彼此间最不相似的多个核心对象作为K-均值聚类算法的初始聚类中心，以便K-均值聚类算法根据得到的初始聚类中心进行聚类。2.根据权利要求1所述的基于K-均值聚类算法的初始聚类中心确定方法，其特征在于，所述确定数据对象集合中每个数据对象与其它数据对象间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的数据对象作为核心对象包括：确定微博文档集合中任意两个文档间的相似度，将相似度保存至相似度矩阵中；根据相似度矩阵，计算每一个文档与其他文档两两之间的平均相似度，获取平均相似度大于等于预先设定的密度阈值的文档，形成核心文档集合。3.根据权利要求2所述的基于K-均值聚类算法的初始聚类中心确定方法，其特征在于，两个文档bi和bj之间的相似度similarity(bi,bj)表示为：其中，bik、bjk分别表示文档bi和bj第k个特征项的权值，n是bi中特征项的总数目，tfk(bi)是指第k个特征项在bi中出现的次数，NBL是微博文档集合中文档的数目，nk表示包含第j个特征项的微博文档的个数。4.根据权利要求3所述的基于K-均值聚类算法的初始聚类中心确定方法，其特征在于，文档b与其他文档两两之间的平均相似度density(b)表示为：density(b)＝∑x∈BLsimilarity(x,b)/NBL其中，BL表示微博文档集合，NBL表示微博文档集合中文档的数目。5.根据权利要求2所述的基于K-均值聚类算法的初始聚类中心确定方法，其特征在于，所述从核心对象中选取彼此间最不相似的多个核心对象作为K-均值聚类算法的初始聚类中心包括：S31，将核心文档集合中的第一个核心文档作为第一个初始聚类中心点centers[1]，并从核心文档集合中删除该核心文档，令计数参数k＝1，同时，将centers[1]置为当前聚类中心点；S32，遍历核心文档集合中剩余的核心文档，选择与当前聚类中心点最不相似的核心文档作为下一个初始聚类中心，添加到初始聚类中心点centers中，并从核心文档集合中删除该核心文档；S33，更新当前聚类中心点，并使k＝k+1，转S32；S34，重复执行S32和S33，直至k与预设的聚类簇数K值相...
【专利技术属性】
技术研发人员：周成成，杨兵强，安凤平，
申请(专利权)人：雷恩友力数据科技南京有限公司，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。