1、optics算法学习参考:
http://wenku.baidu.com/link?url=PSuqnCODDnGkouaZRphb0Rlj5A2rX3CzywTk8ThPs7MLImOTRx5GquOrPQjG6NDUODItjebvMpPLZx6eEUW5Q2bUdpnJWa0qamMp0vPuqae
http://blog.163.com/liaoxiangui@126/blog/static/7956964020121015102359195/
2、optics算法给定E值(中心偏移距离),minPts聚类点数量;在特定的E值和minPts条件下的聚类输出;
3、执行聚类算法的准备:
1)在去除听用词的基础上(重要,可去掉大部分对文本内容无影响的高频词),对文本进行中文分词;
2)对给定的全部文本在完成分词的基础上利用TF—IDF算法计算权重,不建议直接使用词频(未具体考虑文本长度和整个文本样本空间效果确实不好);
3)选择文本的特征向量,本次测试我是根据文本长短的不同,取全部文本中包含的特征向量,或部分,长文本取15%的特征向量;
4、计算样本空间中文本两两之间的相似度(采用夹角余弦算法);
5、利用相似度计算结果以及给定的E值、minPts按照optics算法输出聚类信息,由于在聚类的过程中,应用的目的只是判断那些文本内容可聚合,而不具体掌握文本之间聚合的程度,因此对算法进行改进:直接输出核心节点及其可达节点以及扩展的可达节点,没有严格进行节点排序;测试结果基本让人满意;