一.简介
文本聚类是数据挖掘中数据挖掘技术中的一种,是把文本文档资源按照指定的相似性标准划分为若干类别,使得每一类文档相似性达到指定标准,并且为每一类别给出容易让人理解的具体描述,是一个发现文本集包含内容的方法。
二.文本聚类流程:
1.将原始文本进行预处理,抽取词条,词条选择等其他处理
2.建立模型,例如vsm,概率模型等其他模型
3.将维度进行约减,需要用到的算法有层次算法,划分算法,等其他算法。
4.得到聚类结果.
三.文本预处理:
1.先用Ictclas对文本文档进行处理,将文章处理成由词语组成的字符串