Board logo

标题: 聚类(4) [打印本页]

作者: look_w    时间: 2019-4-17 18:59     标题: 聚类(4)

文本聚类:

文本分类跟数值不同在于 要先对文本进行分词,并用TFIDF计算它们的权重 然后用权重向量进行计算。

思路:计算两篇文档的相似度,最简单的做法就是用提取文档的TF/IDF权重,然后用余弦定理计算两个多维向量的距离。能计算两个文本间的距离后,用标准的k-means算法就可以实现文本聚类了。


完整项目下载:

http://download.csdn.net/detail/q383965374/5960053


下面是一个控制台聚类器的代码:

Program.cs

    using System;
    using System.Collections.Generic;
    using System.IO;
    using System.Text;
    using WawaSoft.Search.Common;
     
    namespace WawaSoft.Search.Test
    {
        class Program
        {
            static void Main(string[] args)
            {
                //1、获取文档输入
                string[] docs = getInputDocs("input.txt");
                if (docs.Length < 1)
                {
                    Console.WriteLine("没有文档输入");
                    Console.Read();
                    return;
                }
     
                //2、初始化TFIDF测量器,用来生产每个文档的TFIDF权重
                TFIDFMeasure tf = new TFIDFMeasure(docs, new Tokeniser());
     
                int K = 3; //聚成3个聚类
     
                //3、生成k-means的输入数据,是一个联合数组,第一维表示文档个数,
                //第二维表示所有文档分出来的所有词
                double[][] data = new double[docs.Length][];
                int docCount = docs.Length; //文档个数
                int dimension = tf.NumTerms;//所有词的数目
                for (int i = 0; i < docCount; i++)
                {
                    for (int j = 0; j < dimension; j++)
                    {
                        data[i] = tf.GetTermVector2(i); //获取第i个文档的TFIDF权重向量
                    }
                }
     
                //4、初始化k-means算法,第一个参数表示输入数据,第二个参数表示要聚成几个类
                WawaKMeans kmeans = new WawaKMeans(data, K);
                //5、开始迭代
                kmeans.Start();
     
                //6、获取聚类结果并输出
                WawaCluster[] clusters = kmeans.Clusters;
                foreach (WawaCluster cluster in clusters)
                {
                    List<int> members = cluster.CurrentMembership;
                    Console.WriteLine("-----------------");
                    foreach (int i in members)
                    {
                        Console.WriteLine(docs[i]);
                    }
     
                }
                Console.Read();
            }
     
            /// <summary>
            /// 获取文档输入
            /// </summary>
            /// <returns></returns>
            private static string[] getInputDocs(string file)
            {
                List<string> ret = new List<string>();
                try
                {
                    using (StreamReader sr = new StreamReader(file, Encoding.Default))
                    {
                        string temp;
                        while ((temp = sr.ReadLine()) != null)
                        {
                            ret.Add(temp);
                        }
                    }
                }
                catch (Exception ex)
                {
                    Console.WriteLine(ex);
                }
                return ret.ToArray();
            }
        }
    }



input.txt内容

奥运 拳击 入场券 基本 分罄 邹市明 夺冠 对手 浮出 水面
股民 要 清楚 自己 的 目的
印花税 之 股民 四季
杭州 股民 放 鞭炮 庆祝 印花税 下调
残疾 女 青年 入围 奥运 游泳 比赛 创 奥运 历史 两 项 第一
介绍 一 个 ASP.net MVC 系列 教程
在 asp.net 中 实现 观察者 模式 ,或 有 更 好 的 方法 (续)
输 大钱 的 股民 给 我们 启迪
Asp.Net 页面 执行 流程 分析
运动员 行李 将 “后 上 先 下” 奥运 相关 人员 行李 实名制
asp.net 控件 开发 显示 控件 内容
奥运 票务 网上 成功 订票 后 应 及时 到 银行 代售 网点 付款
某 心理 健康 站 开张 后 首 个 咨询 者 是 位 新 股民
ASP.NET 自定义 控件 复杂 属性 声明 持久性 浅析




欢迎光临 电子技术论坛_中国专业的电子工程师学习交流社区-中电网技术论坛 (http://bbs.eccn.com/) Powered by Discuz! 7.0.0