基于余弦距离选取初始簇中心的文本聚类研究

来源：计算机工程与应用杂志2018年第10期北京时间：

作者：王彬宇1，刘文芬2，胡学先1，魏江宏1

单位：1.数学工程与先进计算国家重点实验室，郑州 450000；2.桂林电子科技大学 广西密码学与信息安全重点实验室，广西 桂林 541000

摘要：文本聚类是文本信息进行有效组织、摘要和导航的重要手段，其中基于余弦相似度的K-means算法是最重要且使用最广泛的文本聚类算法之一。针对基于余弦相似度的K-means算法改进方案设计困难，且众多优异的基于欧氏距离的K-means改进方法无法适用的问题，对余弦相似度与欧氏距离的关系进行探讨，得到标准向量前提下二者的转化公式，并在此基础上定义一种与欧氏距离意义相近关系紧密的余弦距离，使原有基于欧氏距离的K-means改进方法可通过余弦距离迁移到基于余弦相似度的K-means算法中。在此基础上理论推导出余弦K-means算法及其拓展算法的簇内中心点计算方法，并进一步改进了聚类初始簇中心的选取方案，形成新的文本聚类算法MCSKM++。通过实验验证，该算法在迭代次数减少、运行时间缩短的同时，聚类精度得到提高。

关键词：文本聚类,K-means算法,余弦相似度,余弦距离,初始点选取