基本k-mean聚类的文本聚类算法原理和例子

基于质心的划分方法是研究最多的算法，包括k-mean聚类算法及其各种变体，这些变体依据初始簇的选择，对象的划分、相识度的计算方法、簇中心的计算方法不同而不同。基于质心的划分方法将簇中所有对象的平均值看做簇的质心，根据一个数据对象与簇质心的距离，将该对象赋予最近的簇。在这类方法中，需要给定划分的簇个数k，首先得到k个初始划分的集合，然后采用地带重定位技术，通过将对象从一个簇移到另外一个簇来改进划分的质量。

算法：k-mean

输入：数据集D，划分簇的个数k

输出：k个簇的集合

从数据集合D中任意选择k个对象作为初始簇中心；、

Repeat

              For 数据集D中每个对象P do

              计算对象P到k个簇中心的距离

            将对象P指派到与其最近（距离最短）的簇

              End for

     计算每个簇中心对象的均值，作为新的簇的中心

Until k个簇的簇中心不再发生变化

（1）本例子的样本集合是选择搜狗语料库中的三类文章，每类10篇，如图

（2）对于文本聚类，使用中科院的分词库ICTCLAS，接口封装在split.h和split.cpp中，在分词时，本例子只选用了动词和名词

（3）特征词选取使用tf-idf方法来提取每篇文章的前100个根据tf-idf大小排序的特征词

词频tf（Term Frequency）是指一个词条在一个文本出现的频数。频数越大，则该词语对文本的贡献度越大。其重要