文本挖掘算法总结.doc

1、文本数据挖掘算法应用小结1基于概率统计的贝叶斯分类2、ID3决策树分类3、基于粗糙集理论 Rough Set的确定型知识挖掘4、基于k-means聚类5、无限细分的模糊聚类 Fuzzy Clusteri ng6、SOM神经元网络聚类7、基于Meaning的文本相似度计算8、文本模糊聚类计算9、文本k-means聚类10、文本分类11关联模式发现12、序列模式发现13、PCA主成分分析1基于概率统计的贝叶斯分类算法概述：贝叶斯公式是由英国数学家 (Thomas Bayes 1702-1763创造，用来描述两个条件概 率之间的关系，比如 P(A|B)为当“ B”事件发生时“ A”事件发生的概率，按

2、照乘法法则： P(A A B)=P(A)*P(B|A)=P(B)*P(A|B)，可导出贝叶斯公式：P(A|B)=P(B|A)*P(A)/P(B)贝叶斯分类基本思想为：设决策变量为D , D1 , D2 , Di，Dk为n条记录组成的样本空间S的一个划分，将n条记录划分成k个记录集合，如果以 P(Di)表示事件Di发生的概率， 且 P(Di) 0 ( i=1 , 2,，k)。对于任一事件 x, P(x)0 ,则有：科小咅凹輕f-l贝叶斯分类的基本原理，就是利用贝叶斯条件概率公式，将事件X视为多个条件属性 Cj各种取值的组合，当x事件发生时决策属性 Di发生的条件概率。贝叶斯分类是一种概率型分 类

3、知识挖掘方法，不能百分之百地确定X事件发生时Di 一定发生。解决问题：预测所属分类的概率。通过已知n条样本集记录，计算各种条件属性组发生的概 率，得出“贝叶斯分类”规则，给定一个未知“标签”记录，选择最大概率为其所属“分类”。2、ID3决策树分类算法概述：ID3算法是J. Ross Quinlan在1975提出的分类算法，当时还没有“数据挖掘”的 概念。该算法以信息论为基础，以信息熵和信息增益度来确定分枝生成决策树D-Tree。ID3算法以决策树D-Tree构建分类知识模型，D-Tree中最上面的节点为根节点Root，每个分支是一个新的决策节点，或者是树的叶子。每个决策节点代表一个问题或决策，

4、每一个叶子节点代表一种可能的分类结果，沿决策树在每个节点都会遇到一个测试，对每个节点上问题的不同取值导致不同的分支，最后会到达一个叶子节点为确定所属分类。解决问题：预测所属分类。通过已知样本集记录，生成一颗“分类知识树”，给定一个未知“标签”记录，通过“分类知识树”来确定其所属分类。3、基于粗糙集理论 Rough Set的确定型知识挖掘算法概述：1982年波兰学者 乙Paw lak提出了粗糙集理论 Rough Sets Theory,它是一种刻划 不完整性和不确定性的数学工具，能有效分析不精确、不一致(Incon siste nt)、不完整(Incomplete)等各种不完备信息，禾U用数据进

5、行分析和推理，从中发现隐含的知识，揭示 潜在的规律。粗糙集理论是继概率论、模糊集、证据理论之后的又一个处理不确定性事物的数学工具。粗糙集理论是建立在分类机制的基础上的，它将分类理解为在特定空间上的等价关系，而等价关系构成了对该空间的划分。粗糙集理论将知识理解为对数据的划分，每一被划分的集合称为概念。其主要思想是利用已知的知识库，将不精确或不确定的知识用已知的 知识库中的知识来(近似)刻画。解决问题：预测所属分类。粗糙集分类将样本空间 S划分为上近似集(Upper approximation)、 下近似集(Lower approximation )、边界集(Boundary region),挖掘

6、条件属性 C与决策属性 D 集合所包含的不可分记录(不能再细分，该集合中的所有记录都属于某一决策属性Di的取值)，这些记录形成不可辨识的关系( Indiscernibility relation)，由此确定分类规则：IF 条件属性C成立 THEN 决策属性Di发生即，如果满条件C,则其所属分类为 Di。IF中的条件C可以是单一条件，也可以是组合and (并且)组合条件。BIC给出的是“最小分类规则”。所谓“最小分类规则”是，最少的条件组合。例如一个人 属于“高”、“富”、“帅”，条件为：“身高”、“财富”、“工资性收入”、“财产性收入”、“产业 收入”、“脸型”、“眼睛大小”、“鼻梁形状”、“

7、英俊”等条件来判别，通过“粗糙集”分类计 算，得出最小分类规则可能是“ IF 财富=XXX1 and 身高=185cm and相貌=英俊”其他条件可以忽略不计，这就是“最小分类规则”。“粗糙集”分类规则为“百分之百确定型”分类规则，这是对样本集的统计结果，如果出现 非“样本集”中出现过的条件变量属性，将无法得出“粗糙集”，可转而使用概率型“贝叶斯分类”进行计算。4、基于k-means聚类算法概述：给定一个包括n条记录、每条记录有 m个属性 的样本集，再给出分类数 k,要 求将样本集中的记录，按记录间的相似性大小(或距离远近)，将相似性最大(或距离最近)的记录划分到k个类中，相同分类中记录间的距

8、离要尽可能地小，而分类之间的距离要尽可能地大。、类BIC改进了常规的k-means聚类算法，在聚类过程中，同时计算分类质量(类内均差间均距C”和无)，并求解最优聚类max解决问题：将n条记录聚成k个分类。对n个样本集记录，指定分类个数k，为k个分类指定初始迭代记录为 k个分类中心，通过计算其他记录对 k个分类中心的距离， 对不断变换分 类、变换类中心，收敛都当分类不再变化时，计算结束。由此，将n个样本集记录分配到 k个分类中，得到k个分类中心指标。5、无限细分的模糊聚类 Fuzzy Clusteri ng算法概述：在实际解决聚类问题时，很多数事物是“模糊”的，其特征属性A无法确进行量化，如：人

9、的相貌、人与人之间的关系、人的性格、购买商品的意愿等，这就需要用模糊数学来进行相似性计算。模糊数学是伴随着上世纪五六十年代兴起的控制论、信息论、系统论(俗称“老三论”)而形成的一种决策方法， 是美国加利福尼亚大学伯克利分校 Lotfi Zadeh 教授于1965年创立的。模糊聚类基本计算步骤为：(1) 将样本集中的n条记录变换成n xn的模糊相似矩阵；(2) 通过传递包卷积计算将模糊相似矩阵变换成等价相似矩阵；(3) 最后通过入截矩阵将n条记录分成1-n个分类。K-means聚类需事先确定聚类数 k,而模糊聚类 Fuzzy Clustering无需事先确定聚类数 k,可 以从最小的k=1 (所

10、有学习集中的 n条记录为1个分类)，到k=n (所有学习集中的 n条记 录各为1个分类)。解决问题：将n条记录聚成1-n个分类。模糊聚类Fuzzy Clustering算法完全基于数据自然状况进行聚类，可产生聚类的解集合(k=1,2, n)，因此，可以在解集合中求解最优聚类max，这对观察分析样本集的数据性态非常有用，可供观察不同情况下的“聚类”状况。6、SOM神经元网络聚类算法概述：人类对事物的认知是一个不断积累的过程，通过对事物的观察， 不断地认识和修正因果关系，最后逐渐稳定为认知规则。医学证明，人眼的视网膜、脊髓和海马中存一种侧抑制现象，即,当一个神经细胞兴奋后，会对其周围的神经细胞产生

11、抑制作用。这种侧抑制使神经细胞之间呈现出竞争，开始时可能多个细胞同时兴奋，但一个兴奋程度最强的神经细胞对周围神经细胞的抑制作用也最强，其结果使其周围神经细胞兴奋程度减弱，从而该神经细胞是这次竞争的“胜者”，其它神经细胞在竞争中失败。1981年芬兰学者 kohonen提出一个称为自组织特征映射(Self Organization Feature Map-SOM或SOFM)网络，前述大脑神经细胞兴奋规律等，在该网络中都得到了反应。在竞争层神经 元之间的连线，它们是模拟生物神经网络层内神经元相互抑制现象的权值，这类抑制性权值满足一定的分布关系，如距离近的抑制强，距离远的抑制弱。输出模式 - -； -

12、 jFIkJr/XJF j/r jff 电Ik JrP P Q Q输入模式通过上述可知，SOM聚类算法设计的核心思想是体现神经元在认知过程中的3个特性：（1）根据样本比较，逐步积累、不断修正、渐近稳定特性？（2）神经元之间的侧抑由近到远、逐步衰弱制特性？（3）神经元兴奋区域随认知次数逐步缩小范围特性？BIC采用欧氏距离作为输入模式Xi与各输出神经元 Wj之间的相似度，选择具有最小距离的神经元为兴奋神经元；采用（1-ti/tm ）作为学习衰减函数，其中 ti为当前学习次数（第几 次样本训练），tm为总的学习数，以此来体现上述特性“1”；采用（1-ti/T ）、C/Wij作为神经元侧抑制函数，其中

13、C为设定的常数、Wij为被选中的神经元与其他神经元最远距离，来体现上述特性“ 2”、“ 3”。解决问题：将n条记录按m个输出神经元聚成 m个分类。模仿人类的学习方法，对事物的 认识是一个由浅入深、 逐步学习、修正的过程，将对各种要素组态的认识逐步稳定到认知领 域，由此进行“聚类”。7、基于Meaning的文本相似度计算算法概述：给出一组n个文档D二 ；一门-：，BIC为每个文档计算出一组最具有代表性的词组- ，同时，计算出 相互间内容接近度及接近序列。BIC的Meaning挖掘与自动搜索不同于现有Baidu、Google人工输入关键词的搜索方式，现有搜索引擎不考虑语义和语境，只考虑词W与文档D

14、的包含关系一 一和词在文档内的频数TF，因此，关键词的搜索与文档内容无关。例如：“姚明”是中国篮球的骄傲，但“姚明”还投身于公益事业，如果在搜索引擎中输入“姚明”，不见得搜索的文档内容只包含与篮球相关的内容，还可能包括公益及其他包含“姚明”的文档，可见，关键词搜索具有不确定性。如果在搜索引擎输入一组词 “姚明”、“得分”、“篮板” ，搜出文档是篮球比赛内容的概率更大，显然，叫;形成的交集缩小了搜索范围，但组词 “姚明”、“得分”、“篮板” 是经过人思考给出的。BIC通过计算得出文档代表词组； ，相当于人工输入 “姚明”、“得分”、“篮板” ，同时计算词在句子中语序关系的发生概率与马尔科夫链，因

15、此，能够更好地确定搜索词的语义和语境，通过对文档间的相关性 （接近度）进行聚类计算，可按Meaning “接近度”进行自动搜索而无需人工干预，并随文档内容的变化而自动跟踪 Mea ning变化，使搜索更加准确、更加自动化，让搜索“随用户的心而动”。BIC可用于基于Meaning计算的搜索、舆情分析、特定情报分析、垂直搜索和相似内容推荐等文本挖掘。解决问题：计算两个文本的相似度。8、文本模糊聚类计算算法概述：基于模糊聚类算法，BIC首先计算将n个文本组成相似矩阵-(第i个文本文 档对第j个文本文档的相似度)，然后将相似矩阵一变成模糊相似矩阵，通过求模糊相 似矩阵的等价矩阵和截矩阵，将 n个文本文

16、档分成1-n个分类，同时，按相同分类中的 文本具有最接近的内容相似度 Min ，不同文本分类间具有最大差异 Max ，来求解 按文本内容进行最优分类方案。解决问题：在不确定将文本划分成几类的情况下，将n个文本聚成1-n个分类，以此来观察“聚类”效果。9、文本k-means聚类算法概述：基于k-means聚类，在BIC平台上，用户上传或输入n个文本，确定希望分类数量k和k个分类样本，BIC将以k个样本作为初始迭代点进行k-means聚类计算，将n个文本分成k个分类。解决问题：在已经确定了 k个分类的情况下，将文本划分到k个“分类”中。10、文本分类算法概述：通过“文本模糊聚类”或“文本k-mea

17、ns”聚类，BIC不仅将n个文本按内容相似度进行分类，同时挖掘出各个分类的“分类代表词组”，以后，用户任意给出一个文本，BIC将根据其对各个“分类代表词组”的相似度，选择最相似的分类MaxSimi，将该待分类文档分配到MaxSimi类。解决问题：在已经完成文本聚类的情况下，将不确定的文本划分到“分类”中。11、关联模式发现算法概述：关联分析的目的是挖掘隐藏的关联(Associatio n)模型，最著名的关联模式应用是挖掘“购物篮”问题，是从发现购买行中，发现商品之间的关联关系。给定一组交易记录：交易ID商品1卩商品S+-1商品V3+-1SSnn 3橘子存香蕉门rig 苹果/牛肉心香水皮包 4

18、皮鞋帽子心p禎心P2 2每笔交易ID包含m个商品 ，n条记录组成二维表，构成矩阵,CBIC可计算得出任意两商品 组合的Con fide nce(A-B)=P(A | B)置信度和支持度Support(A-B)=P(A U B)，可用于分析商品之间的关联性“购物篮”问题。BIC的关联模式发现是一个快速、交互式Apriore计算过程：从发现最基本的 2个Item关联高频项集开始，计算支持度 Support(A-B)=P(A U B)和置信度 Con fide nce(A-B)=P(A | B)， 逐步计算和发现 2、3、4Item关联频繁项集。因为：（1）任何求解高频关联事务 T 中的项数 Ite

19、m 必然大于等于 2，如果只有 1 个 Item 不存在关 联；（2）任何交易记录 T 中无论有多少个 Item 组合，如果存在大于 2 个 Item 的高频组合，都 必然存在 2 关联的高频真子集。如：交易记录 T1=Item1 ，Item2 ，交易记录 T2=Item1 ，Item3，Item4，Item2 ，则 T1 为 T2 的非空真子集 T1? T2。所以，如果存在 3关联的高频 Item 组合，必然存在 2 关联的高频组合；如果存在 4关联的Item高频组合，必然存在3关联高频组合。BIC就是通过最基本的 2关联高频项集发现开 始，逐步缩小记录集合，逐步发现所有任意数量 Item

20、组合的高频项集。因此， BIC 的关联 计算是一个快速、交互式计算的 Apriore 算法。解决问题： 从样本集中发现有较强“置信度”的关联规则。12、序列模式发现算法概述： 算法原理同“关联分析” ，但统计点在于事物（或商品购买）发生的先后序列。 如商品购买行为预测： 汽车改装爱好者， 购买某种品牌增压器的人， 很多人后来还购买了活 塞环、又购买了某品牌机油，通过序列分析，发现其购买序列、预测下一步购买行为；如疾病诊断：患有某种疾病的人，先出现 A症状、后出现 B症状、又出现 C症状，通过 出现症状的序列分析，发现疾病发生、发展的序列模式，对疾病进行诊断；如Web访问行为模式发现：每个IP访

21、问网站都是一个 Web会话Session每个Session由一系列的URL序列组成，通过 Session#统计得到高频 URL序列，预测用户的访问行为； 不限于上述例子，还包括生物进化序列模式、 DNA 序列、地震、火灾、战争冲突爆发序列 模式预测等，序列规律是大量存在的，只要有足够的统计数据，都可以通过BIC 发现最率并进行预测。序列模式发现与关联模式发现在算法上很相似，但序列模式强调Item 的先后顺序，而关联模式发现不关心顺序，只看是否在一个事物T中2个Item （或多个）是否同时出现。BIC的序列模式发现是一个快速、交互式 Apriore计算过程：从发现 2个Item序列高频序列 开始

22、，计置信度 Confidence（A-B）=P（A | B），逐步计算和发现 2、3、4Item序列频繁序列。 因为：（1）任何求解高频序列事务 T 中的项数 Item 必然大于等于 2，如果只有 1 个 Item 不存在关 联；（2）任何事务记录 T 中无论有多少个 Item 序列组合，如果存在大于 2 个 Item 的高频序列 组合，都必然存在 2 序列的高频序列真子集。如：事务序列记录 T1=Item1 ， Item2 ，事务序列记录 T2=Item1 ， Item3， Item4， Item2 ， 则 T1 为 T2 的非空真子集 T1? T2。所以，如果存在 3个 Item 序列的高频 Item 组合，必然存在 2序列的高频序列组合，如果存 在4个Item的高频序列组合，必然存在3高频序列组合。BIC就是通过最基本的 2序列高频序列发现开始， 逐步缩小记录集合， 逐步发现所有任意数量 Item 组合的高频序列组合。 因此， BIC 的序列计算是一个 *快速、交互式计算的 Apriore 算法。解决问题：序列模式发现的目的是挖掘事务发生、发展的序列（Seque ncing模式，从样本集发现有较强“置信度”的序列规则。13、PCA 主成分分析算法概述：假设一个事物由多种因素构成，设有n个样本，每个样本共有 m个属性（指标、构成要素），构成一个n x m阶的成分数据矩阵，XL