文本挖掘算法總結(jié)

1、文本數(shù)據(jù)挖掘算法應(yīng)用小結(jié)1、基于概率統(tǒng)計的貝葉斯分類2、ID3決策樹分類3、基于粗糙集理論RoughSet的確定型知識挖掘4、基于k-means聚類5、無限細(xì)分的模糊聚類FuzzyClustering6、SOM神經(jīng)元網(wǎng)絡(luò)聚類7、基于Meaning的文本相似度計算8、文本模糊聚類計算9、文本k-means聚類10、文本分類11、關(guān)聯(lián)模式發(fā)現(xiàn)12、序列模式發(fā)現(xiàn)13、PCA主成分分析1、基于概率統(tǒng)計的貝葉斯分類算法概述：貝葉斯公式是由英國數(shù)學(xué)家(ThomasBayes1702-1763)創(chuàng)造，用來描述兩個條件概率之間的關(guān)系，比如P(A|B)為當(dāng)“B”事件發(fā)生時“A”事件發(fā)生的概率，按照乘法法則：P(

2、AnB尸P(A)*P(B|A尸P(B)*P(A|B),可導(dǎo)出貝葉斯公式：P(A|B尸P(B|A)*P(A)/P(B)貝葉斯分類基本思想為：設(shè)決策變量為D,D1,D2,Di,，Dk為n條記錄組成的樣本空間S的一個劃分，將n條記錄劃分成k個記錄集合，如果以P(Di)表示事件Di發(fā)生的概率，且P(Di)>0(i=1,2,，k)。對于任一事件x,P(x)>0,則有：貝葉斯分類的基本原理，就是利用貝葉斯條件概率公式，將事件X視為多個條件屬性Cj各種取值的組合，當(dāng)x事件發(fā)生時決策屬性Di發(fā)生的條件概率。貝葉斯分類是一種概率型分類知識挖掘方法，不能百分之百地確定X事件發(fā)生時Di一定發(fā)生。解決問題

3、：預(yù)測所屬分類的概率。通過已知n條樣本集記錄，計算各種條件屬性組發(fā)生的概率，得出“貝葉斯分類”規(guī)則，給定一個未知“標(biāo)簽”記錄，選擇最大概率為其所屬“分類”。2、ID3決策樹分類算法概述：ID3算法是J.RossQuinlan在1975提出的分類算法，當(dāng)時還沒有“數(shù)據(jù)挖掘”的概念。該算法以信息論為基礎(chǔ)，以信息嫡和信息增益度來確定分枝生成決策樹D-Tree°ID3算法以決策樹D-Tree構(gòu)建分類知識模型，D-Tree中最上面的節(jié)點為根節(jié)點Root,每個分支是一個新的決策節(jié)點，或者是樹的葉子。每個決策節(jié)點代表一個問題或決策，每一個葉子節(jié)點代表一種可能的分類結(jié)果，沿決策樹在每個節(jié)點都會遇到一

4、個測試，對每個節(jié)點上問題的不同取值導(dǎo)致不同的分支，最后會到達(dá)一個葉子節(jié)點為確定所屬分類。解決問題：預(yù)測所屬分類。通過已知樣本集記錄，生成一顆“分類知識樹”，給定一個未知“標(biāo)簽”記錄，通過“分類知識樹”來確定其所屬分類。3、基于粗糙集理論RoughSet的確定型知識挖掘算法概述：1982年波蘭學(xué)者乙Pawlak提出了粗糙集理論RoughSetsTheory,它是一種刻劃不完整性和不確定性的數(shù)學(xué)工具，能有效分析不精確、不一致(Inconsistent)不完整(Incomplete)等各種不完備信息，利用數(shù)據(jù)進(jìn)行分析和推理，從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律。粗糙集理論是繼概率論、模糊集、證據(jù)理論之

5、后的又一個處理不確定性事物的數(shù)學(xué)工具。粗糙集理論是建立在分類機(jī)制的基礎(chǔ)上的，它將分類理解為在特定空間上的等價關(guān)系，而等價關(guān)系構(gòu)成了對該空間的劃分。粗糙集理論將知識理解為對數(shù)據(jù)的劃分，每一被劃分的集合稱為概念。其主要思想是利用已知的知識庫，將不精確或不確定的知識用已知的知識庫中的知識來(近似)刻畫。解決問題：預(yù)測所屬分類。粗糙集分類將樣本空間S劃分為上近似集(Upperapproximation)、下近似集(Lowerapproximation)、邊界集(Boundaryregion),挖掘條件屬性C與決策屬性D集合所包含的不可分記錄(不能再細(xì)分，該集合中的所有記錄都屬于某一決策屬性Di的取值)

6、，這些記錄形成不可辨識的關(guān)系(Indiscernibilityrelation),由此確定分類規(guī)則：IF條件屬性C成立THEN決策屬性Di發(fā)生即，如果滿條件C,則其所屬分類為Di。IF中的條件C可以是單一條件，也可以是組合and(并且)組合條件。BIC給出的是“最小分類規(guī)則”。所謂“最小分類規(guī)則”是，最少的條件組合。例如一個人屬于“高”、“富”、“帥”，條件為：“身高”、“財富”、“工資性收入”、“財產(chǎn)性收入”、“產(chǎn)業(yè)收入”、“臉型”、“眼睛大小”、“鼻梁形狀”、“英俊”等條件來判別，通過“粗糙集”分類計算，得出最小分類規(guī)則可能是“IF財富=XXX1and身高=185cmand相貌=英俊”其他

7、條件可以忽略不計，這就是“最小分類規(guī)則”。“粗糙集”分類規(guī)則為“百分之百確定型”分類規(guī)則，這是對樣本集的統(tǒng)計結(jié)果，如果出現(xiàn)非“樣本集”中出現(xiàn)過的條件變量屬性，將無法得出“粗糙集”，可轉(zhuǎn)而使用概率型“貝葉斯分類”進(jìn)行計算。4、基于k-means聚類算法概述：給定一個包括n條記錄、每條記錄有m個屬性的樣本集，再給出分類數(shù)k,要求將樣本集中的記錄，按記錄間的相似性大小(或距離遠(yuǎn)近)，將相似性最大(或距離最近)的記錄劃分到k個類中，相同分類中記錄間的距離要盡可能地小，而分類之間的距離要盡可能地大。BIC改進(jìn)了常規(guī)的k-means聚類算法，在聚類過程中，同時計算分類質(zhì)量(類內(nèi)均差間均距和X),并求解最優(yōu)

8、聚類maxCvT解決問題：將n條記錄聚成k個分類。對n個樣本集記錄，指定分類個數(shù)k,為k個分類指定初始迭代記錄為k個分類中心，通過計算其他記錄對k個分類中心的距離，對不斷變換分類、變換類中心，收斂都當(dāng)分類不再變化時，計算結(jié)束。由此，將n個樣本集記錄分配到k個分類中，得到k個分類中心指標(biāo)。5、無限細(xì)分的模糊聚類FuzzyClustering算法概述：在實際解決聚類問題時，很多數(shù)事物是“模糊”的，其特征屬性A無法確進(jìn)行量化，如：人的相貌、人與人之間的關(guān)系、人的性格、購買商品的意愿等，這就需要用模糊數(shù)學(xué)來進(jìn)行相似性計算。模糊數(shù)學(xué)是伴隨著上世紀(jì)五六十年代興起的控制論、信息論、系統(tǒng)論(俗稱“老三論”)而

9、形成的一種決策方法，是美國加利福尼亞大學(xué)伯克利分校LotfiZadeh教授于1965年創(chuàng)立的。模糊聚類基本計算步驟為：(1)將樣本集中的n條記錄變換成nxn的模糊相似矩陣；(2)通過傳遞包卷積計算將模糊相似矩陣變換成等價相似矩陣；(3)最后通過入截矩B將n條記錄分成1-n個分類。K-means聚類需事先確定聚類數(shù)k,而模糊聚類FuzzyClustering無需事先確定聚類數(shù)k,可以從最小的k=1(所有學(xué)習(xí)集中的n條記錄為1個分類)，到k=n(所有學(xué)習(xí)集中的n條記錄各為1個分類)。解決問題：將n條記錄聚成1-n個分類。模糊聚類FuzzyClustering算法完全基于數(shù)據(jù)自然狀況進(jìn)行聚類，可產(chǎn)生

10、聚類的解集合C(k=1,2,n),因此，可以在解集合中求解最優(yōu)聚類maxC,這對觀察分析樣本集的數(shù)據(jù)性態(tài)非常有用，可供觀察不同情況下的“聚類”狀況。6、SOM神經(jīng)元網(wǎng)絡(luò)聚類算法概述：人類對事物的認(rèn)知是一個不斷積累的過程，通過對事物的觀察，不斷地認(rèn)識和修正因果關(guān)系，最后逐漸穩(wěn)定為認(rèn)知規(guī)則。醫(yī)學(xué)證明，人眼的視網(wǎng)膜、脊髓和海馬中存一種側(cè)抑制現(xiàn)象，即，當(dāng)一個神經(jīng)細(xì)胞興奮后，會對其周圍的神經(jīng)細(xì)胞產(chǎn)生抑制作用。這種側(cè)抑制使神經(jīng)細(xì)胞之間呈現(xiàn)出競爭，開始時可能多個細(xì)胞同時興奮，但一個興奮程度最強的神經(jīng)細(xì)胞對周圍神經(jīng)細(xì)胞的抑制作用也最強，其結(jié)果使其周圍神經(jīng)細(xì)胞興奮程度減弱，從而該神經(jīng)細(xì)胞是這次競爭的“勝者”，其

11、它神經(jīng)細(xì)胞在競爭中失敗。1981年芬蘭學(xué)者kohonen提出一個稱為自組織特征映射(SelfOrganizationFeatureMap-SOM或SOFM)網(wǎng)絡(luò)，前述大腦神經(jīng)細(xì)胞興奮規(guī)律等，在該網(wǎng)絡(luò)中都得到了反應(yīng)。在競爭層神經(jīng)元之間的連線，它們是模擬生物神經(jīng)網(wǎng)絡(luò)層內(nèi)神經(jīng)元相互抑制現(xiàn)象的權(quán)值，這類抑制性權(quán)值滿足一定的分布關(guān)系，如距離近的抑制強，距離遠(yuǎn)的抑制弱。輸陰模式f/jF。6Q、輸入模式通過上述可知，SOM聚類算法設(shè)計的核心思想是體現(xiàn)神經(jīng)元在認(rèn)知過程中的3個特性：（1）根據(jù)樣本比較，逐步積累、不斷修正、漸近穩(wěn)定特性？（2）神經(jīng)元之間的側(cè)抑由近到遠(yuǎn)、逐步衰弱制特性？（3）神經(jīng)元興奮區(qū)域隨認(rèn)知次

12、數(shù)逐步縮小范圍特性？BIC采用歐氏距離作為輸入模式Xi與各輸出神經(jīng)元Wj之間的相似度，選擇具有最小距離的神經(jīng)元為興奮神經(jīng)元；采用（1-ti/tm）作為學(xué)習(xí)衰減函數(shù)，其中ti為當(dāng)前學(xué)習(xí)次數(shù)（第幾次樣本訓(xùn)練），tm為總的學(xué)習(xí)數(shù)，以此來體現(xiàn)上述特性“1”；采用（1-ti/T）、C/Wij作為神經(jīng)元側(cè)抑制函數(shù)，其中C為設(shè)定的常數(shù)、Wij為被選中的神經(jīng)元與其他神經(jīng)元最遠(yuǎn)距離，來體現(xiàn)上述特性“2”、“3”。解決問題：將n條記錄按m個輸出神經(jīng)元聚成m個分類。模仿人類的學(xué)習(xí)方法，對事物的認(rèn)識是一個由淺入深、逐步學(xué)習(xí)、修正的過程，將對各種要素組態(tài)的認(rèn)識逐步穩(wěn)定到認(rèn)知領(lǐng)域，由此進(jìn)行“聚類”。7、基于Meaning

13、的文本相似度計算算法概述：給出一組n個文檔DDi，D：，%，2,BIC為每個文檔計算出一組最具有代表性的詞組Rhi；,可同時，計算出R相互間內(nèi)容接近度及接近序列。BIC的Meaning挖掘與自動搜索不同于現(xiàn)有Baidu、Google人工輸入關(guān)鍵詞的搜索方式，現(xiàn)有搜索引擎不考慮語義和語境，只考慮詞w與文檔d的包含關(guān)系和詞在文檔內(nèi)的頻數(shù)TF,因此，關(guān)鍵詞的搜索與文檔內(nèi)容無關(guān)。例如：“姚明”是中國籃球的驕傲，但“姚明”還投身于公益事業(yè)，如果在搜索引擎中輸入“姚明”，不見得搜索的文檔內(nèi)容只包含與籃球相關(guān)的內(nèi)容，還可能包括公益及其他包含“姚明”的文檔，可見，關(guān)鍵詞搜索具有不確定性。如果在搜索引擎輸入一組

14、詞“姚明”、“得分”、“籃板”,搜出文檔是籃球比賽內(nèi)容的概率更大，顯然，形成的交集縮小了搜索范圍，但組詞“姚明”、“得分”、“籃板”是經(jīng)過人思考給出的。BIC通過計算得出文檔代表詞組9嗚，叫川嗎孫:，相當(dāng)于人工輸入“姚E明”、“得分”、“籃板”,同時計算詞嗎.在句子中語序關(guān)系的發(fā)生概率與馬爾科夫鏈，因此，能夠更好地確定搜索詞的語義和語境，通過對文檔間的相關(guān)性（接近度）進(jìn)行聚類計算，可按Meaning“接近度”進(jìn)行自動搜索而無需人工干預(yù)，并隨文檔內(nèi)容的變化而自動跟蹤Meaning變化，使搜索更加準(zhǔn)確、更加自動化，讓搜索“隨用戶的心而動”。BIC可用于基于Meaning計算的搜索、輿情分析、特定情

15、報分析、垂直搜索和相似內(nèi)容推薦等文本挖掘。解決問題：計算兩個文本的相似度。8、文本模糊聚類計算算法概述：基于模糊聚類算法，BIC首先計算將n個文本組成相似矩陣(第i個文本文檔對第j個文本文檔的相似度)，然后將相似矩陣變成模糊相似矩陣：.，通過求模糊相似矩陣：。的等價矩陣和截矩陣，將n個文本文檔分成1-n個分類，同時，按相同分類中的文本具有最接近的內(nèi)容相似度Min%,不同文本分類間具有最大差異Max卻,來求解按文本內(nèi)容進(jìn)行最優(yōu)分類方案。解決問題：在不確定將文本劃分成幾類的情況下，將n個文本聚成1-n個分類，以此來觀察“聚類”效果。9、文本k-means聚類算法概述：基于k-means聚類，在BI

16、C平臺上，用戶上傳或輸入n個文本，確定希望分類數(shù)量k和k個分類樣本，BIC將以k個樣本作為初始迭代點進(jìn)行k-means聚類計算，將n個文本分成k個分類。解決問題：在已經(jīng)確定了k個分類的情況下，將文本劃分到k個“分類”中。10、文本分類算法概述：通過“文本模糊聚類"或"文本k-means”聚類，BIC不僅將n個文本按內(nèi)容相似度進(jìn)行分類，同時挖掘出各個分類的“分類代表詞組”，以后，用戶任意給出一個文本，BIC將根據(jù)其對各個“分類代表詞組”的相似度，選擇最相似的分類MaxSimi,將該待分類文檔分配到MaxSimi類。解決問題：在已經(jīng)完成文本聚類的情況下，將不確定的文本劃分到“分

17、類”中。11、關(guān)聯(lián)模式發(fā)現(xiàn)算法概述：關(guān)聯(lián)分析的目的是挖掘隱藏的關(guān)聯(lián)(Association)模型，最著名的關(guān)聯(lián)模式應(yīng)用是挖掘“購物籃”問題，是從發(fā)現(xiàn)購買行中，發(fā)現(xiàn)商品之間的關(guān)聯(lián)關(guān)系。給定一組交易記錄：交易ID-商品W商品：+，商口口3。d商品，3橘子小杳蕉3干果一牛肉/2爐香水皮包皮鞋帽子口p承招.爐爐一產(chǎn)爐平。尹即*3爐砂每筆交易ID包含m個商品C£Ce,n條記錄組成二維表，構(gòu)成矩陣,一一一C，、一，一BIC可計算得出任意兩商品，組合的Confidence(A->B)=P(A|B)置信度和支持度Support(A->B)=P(AUB),可用于分析商品之間的關(guān)聯(lián)性“購物籃

18、”問題。BIC的關(guān)聯(lián)模式發(fā)現(xiàn)是一個快速、交互式Apriore計算過程：從發(fā)現(xiàn)最基本的2個Item關(guān)聯(lián)高頻項集開始，計算支持度Support(A->B)=P(AUB)和置信度Confidence(A->B)=P(A|B),逐步計算和發(fā)現(xiàn)2、3、4Item關(guān)聯(lián)頻繁項集。因為：(1)任何求解高頻關(guān)聯(lián)事務(wù)T中的項數(shù)Item必然大于等于2,如果只有1個Item不存在關(guān)聯(lián)；(2)任何交易記錄T中無論有多少個Item組合，如果存在大于2個Item的高頻組合，都必然存在2關(guān)聯(lián)的高頻真子集。如：交易記錄T1=Item1,Item2,交易記錄T2=Item1,Item3,Item4,Item2，則T1

19、為T2的非空真子集T1?T2。所以，如果存在3關(guān)聯(lián)的高頻Item組合，必然存在2關(guān)聯(lián)的高頻組合；如果存在4關(guān)聯(lián)的Item高頻組合，必然存在3關(guān)聯(lián)高頻組合。BIC就是通過最基本的2關(guān)聯(lián)高頻項集發(fā)現(xiàn)開始，逐步縮小記錄集合，逐步發(fā)現(xiàn)所有任意數(shù)量Item組合的高頻項集。因此，BIC的關(guān)聯(lián)計算是一個快速、交互式計算的Apriore算法。解決問題：從樣本集中發(fā)現(xiàn)有較強“置信度”的關(guān)聯(lián)規(guī)則。12、序列模式發(fā)現(xiàn)算法概述：算法原理同“關(guān)聯(lián)分析”，但統(tǒng)計點在于事物(或商品購買)發(fā)生的先后序列。如商品購買行為預(yù)測：汽車改裝愛好者，購買某種品牌增壓器的人，很多人后來還購買了活塞環(huán)、又購買了某品牌機(jī)油，通過序列分析，發(fā)

20、現(xiàn)其購買序列、預(yù)測下一步購買行為；如疾病診斷：患有某種疾病的人，先出現(xiàn)A癥狀、后出現(xiàn)B癥狀、又出現(xiàn)C癥狀，通過出現(xiàn)癥狀的序列分析，發(fā)現(xiàn)疾病發(fā)生、發(fā)展的序列模式，對疾病進(jìn)行診斷；如Web訪問行為模式發(fā)現(xiàn)：每個IP訪問網(wǎng)站都是一個Web會話Session,每個Session由一系列的URL序列組成，通過Session計統(tǒng)計得到高頻URL序列，預(yù)測用戶的訪問行為；不限于上述例子，還包括生物進(jìn)化序列模式、DNA序列、地震、火災(zāi)、戰(zhàn)爭沖突爆發(fā)序列模式預(yù)測等，序列規(guī)律是大量存在的，只要有足夠的統(tǒng)計數(shù)據(jù)，都可以通過BIC發(fā)現(xiàn)最率并進(jìn)行預(yù)測。序列模式發(fā)現(xiàn)與關(guān)聯(lián)模式發(fā)現(xiàn)在算法上很相似，但序列模式強調(diào)Item的先

21、后順序，而關(guān)聯(lián)模式發(fā)現(xiàn)不關(guān)心順序，只看是否在一個事物T中2個Item(或多個)是否同時出現(xiàn)。BIC的序列模式發(fā)現(xiàn)是一個快速、交互式Apriore計算過程：從發(fā)現(xiàn)2個Item序列高頻序列開始，計置信度Confidence(A->B尸P(A|B),逐步計算和發(fā)現(xiàn)2、3、4Item序列頻繁序列。因為：(1)任何求解高頻序列事務(wù)T中的項數(shù)Item必然大于等于2,如果只有1個Item不存在關(guān)聯(lián)；(2)任何事務(wù)記錄T中無論有多少個Item序列組合，如果存在大于2個Item的高頻序列組合，都必然存在2序列的高頻序列真子集。如：事務(wù)序列記錄T1=Item1,Item2,事務(wù)序列記錄T2=Item1,It

22、em3,Item4,Item2,貝UT1為T2的非空真子集T1?T2o所以，如果存在3個Item序列的高頻Item組合，必然存在2序列的高頻序列組合，如果存在4個Item的高頻序列組合，必然存在3高頻序列組合。BIC就是通過最基本的2序列高頻序列發(fā)現(xiàn)開始，逐步縮小記錄集合，逐步發(fā)現(xiàn)所有任意數(shù)量Item組合的高頻序列組合。因此，BIC的序列計算是一個*快速、交互式計算的Apriore算法。解決問題：序列模式發(fā)現(xiàn)的目的是挖掘事務(wù)發(fā)生、發(fā)展的序列(Sequencing)模式，從樣本集發(fā)現(xiàn)有較強“置信度”的序列規(guī)則。13、PCA主成分分析算法概述：假設(shè)一個事物由多種因素構(gòu)成，設(shè)有n個樣本，每個樣本共有m個屬性(指標(biāo)、構(gòu)成要素)，構(gòu)成一個nxm階