DBSCAN算法原理可以参考
本篇主要是根据DBSCAN算法实现文档集的聚类。首先是要将需要聚类的文档进行向量化处理,这里采用的是TFIDF值来表示。文档之间的距离选用的是余弦距离,后面步骤没什么变化。DBSCAN算法聚类完成之后发现结果不是很理想,后面发现将数据降维后,结果还是比较理想的。
java实现代码如下
public class DocDBScanBuilder {
//半径
public static double EPISLON = 0.04;
//密度、最小点个数
public static int MIN_POINTS = 15;
//初始化数据
public List<DataPoint> initData() {
List<DataPoint> dataPoints = new ArrayList<DataPoint>();
try {
String path = DocDBScanBuilder.class.getClassLoader().getResource("测试").toURI().getPath();
DocumentSet documentSet = DocumentLoader.loadDocumentSetByThread(path);
List<Document> documents = documentSet.getDocuments();
DocumentUtils.calculateTFIDF_0(documents);
for(Document doc : documents) {
DataPoint dataPoint = new DataPoint();
dataPoint.setValues(doc.getTfidfWords());
dataPoint.setCategory(doc.getCategory());
dataPoints.add(dataPoint);
}
} catch (URISyntaxException e) {
e.printStackTrace();
}
return dataPoints;
}
//获取当前点的邻居
public List<DataPoint> obtainNeighbors(DataPoint current, List<DataPoint> points) {
List<DataPoint> neighbors &