话费服务系统话费服务系统话费服务系统话费服务系统话费服务系统话费服务系统话费服务系统话费服务系统话费服务系统

经典的文本聚类算法很多，K均值聚类算法是目前比较流行的一种基于划分的算法。该算法中文档 相似度计算通常采用向量空间模型，它们在假设术语间相互独立的基础上，通过逻辑表达式或向量间的 内积反映用户查询和文档的相似度，将查询结果按相似度的降序排列后提供给用户[1]。它们对用户的查 询项进行精确匹配，因此只能反映用户所要检索内容的某一方面，无法保证语义概念上的匹配。而且算法 效果与样本输入的次序和词频相关，只有当句子包含的词数足够多时，相关的词才会重复出现，其效果才 能体现出来，因此该算法只适合于词频

本数据高维性和稀疏性的特点使得文本对象间的相似度不易度量，根据文本 间的相似度为k-means算法选择的始聚类中心时可能不能很好的代表整个文本集。针对 该缺点，对k．means算法中的初始化问题，提出一个改进的初始聚类中心选择方法。实 验表明改进的方法选择到初始聚类中心比较分散且代表性好。

java 实现，简单的文本聚类算法实现，源代码

文本分类可以把未标注类别的文档分到预先定义好的类别中 去。图1.1 是文本分类的示意图。一般来说，文本分类系统是采用有指导学 习(Supervised Learning)方法来构造一个分类器(Classifier)。首先，提供一些标注 Fig. 1.1 The Frame of Text Categorization 好类别的训练样本文档集合；然后，基于这些训练样本，训练分类模型的参 数；这样就构造一个文本分类系统，它可以对新文档进行分类。