最好的聚类算法? (简单解释)

时间:2009-05-12 14:38:50

标签: algorithm text cluster-analysis data-mining text-mining

想象一下以下问题:

  • 您有一个数据库,其中包含名为“articles”
  • 的表格中的约20,000个文本
  • 您希望使用聚类算法连接相关的文件,以便一起显示相关文章
  • 该算法应该进行平面聚类(非分层)
  • 相关文章应插入“相关”表格
  • 聚类算法应根据文本
  • 决定两篇或多篇文章是否相关
  • 我想用PHP编写代码但是使用伪代码或其他编程语言的例子也可以。

我用函数检查()编写了第一个草稿,如果两个输入文章相关则给出“true”,否则给出“false”。其余的代码(从数据库中选择文章,选择要比较的文章,插入相关的文章)也是完整的。也许你也可以改善休息。但对我来说重要的要点是函数check()。因此,如果你能发布一些改进或完全不同的方法,那就太好了。

APPROACH 1

<?php
$zeit = time();
function check($str1, $str2){
    $minprozent = 60;
    similar_text($str1, $str2, $prozent);
    $prozent = sprintf("%01.2f", $prozent);
    if ($prozent > $minprozent) {
        return TRUE;
    }
    else {
        return FALSE;
    }
}
$sql1 = "SELECT id, text FROM articles ORDER BY RAND() LIMIT 0, 20";
$sql2 = mysql_query($sql1);
while ($sql3 = mysql_fetch_assoc($sql2)) {
    $rel1 = "SELECT id, text, MATCH (text) AGAINST ('".$sql3['text']."') AS score FROM articles WHERE MATCH (text) AGAINST ('".$sql3['text']."') AND id NOT LIKE ".$sql3['id']." LIMIT 0, 20";
    $rel2 = mysql_query($rel1);
    $rel2a = mysql_num_rows($rel2);
    if ($rel2a > 0) {
        while ($rel3 = mysql_fetch_assoc($rel2)) {
            if (check($sql3['text'], $rel3['text']) == TRUE) {
                $id_a = $sql3['id'];
                $id_b = $rel3['id'];
                $rein1 = "INSERT INTO related (article1, article2) VALUES ('".$id_a."', '".$id_b."')";
                $rein2 = mysql_query($rein1);
                $rein3 = "INSERT INTO related (article1, article2) VALUES ('".$id_b."', '".$id_a."')";
                $rein4 = mysql_query($rein3);
            }
        }
    }
}
?>

APPROACH 2 [only check()]

<?php
function square($number) {
    $square = pow($number, 2);
    return $square;
}
function check($text1, $text2) {
    $words_sub = text_splitter($text2); // splits the text into single words
    $words = text_splitter($text1); // splits the text into single words
    // document 1 start
    $document1 = array();
    foreach ($words as $word) {
        if (in_array($word, $words)) {
            if (isset($document1[$word])) { $document1[$word]++; } else { $document1[$word] = 1; }
        }
    }
    $rating1 = 0;
    foreach ($document1 as $temp) {
        $rating1 = $rating1+square($temp);
    }
    $rating1 = sqrt($rating1);
    // document 1 end
    // document 2 start
    $document2 = array();
    foreach ($words_sub as $word_sub) {
        if (in_array($word_sub, $words)) {
            if (isset($document2[$word_sub])) { $document2[$word_sub]++; } else { $document2[$word_sub] = 1; }
        }
    }
    $rating2 = 0;
    foreach ($document2 as $temp) {
        $rating2 = $rating2+square($temp);
    }
    $rating2 = sqrt($rating2);
    // document 2 end
    $skalarprodukt = 0;
    for ($m=0; $m<count($words)-1; $m++) {
        $skalarprodukt = $skalarprodukt+(array_shift($document1)*array_shift($document2));
    }
    if (($rating1*$rating2) == 0) { continue; }
    $kosinusmass = $skalarprodukt/($rating1*$rating2);
    if ($kosinusmass < 0.7) {
        return FALSE;
    }
    else {
        return TRUE;
    }
}
?>

我还想说,我知道有很多聚类算法,但在每个站点上只有数学描述对我来说有点难以理解。因此(伪)代码中的编码示例会很棒。

我希望你能帮助我。提前谢谢!

4 个答案:

答案 0 :(得分:15)

我所知道的对文本数据执行此操作的最标准方法是使用“包词”技术。

首先,为每篇文章创建单词的'直方图'。让我们说你的所有文章之间,你只有500个独特的单词。然后该直方图将是大小为500的向量(Array,List,Whatever),其中数据是每个单词在文章中出现的次数。因此,如果向量中的第一个点代表单词'ask',并且该单词在文章中出现了5次,则vector [0]将为5:

for word in article.text
    article.histogram[indexLookup[word]]++

现在,为了比较任何两篇文章,它非常简单。我们简单地将两个向量相乘:

def check(articleA, articleB)
    rtn = 0
    for a,b in zip(articleA.histogram, articleB.histogram)
        rtn += a*b
    return rtn > threshold

(很抱歉使用python代替PHP,我的PHP生锈了,使用zip会让这更容易)

这是基本的想法。注意,阈值是半任意的;你可能想找到一个很好的方法来规范你的直方图的点积(这几乎必须考虑文章的长度),并决定你认为'相关'。

此外,您不应该只将每个单词都放入直方图中。一般来说,您希望包括半频繁使用的那些:不是在每篇文章中,也不是仅在一篇文章中。这可以节省您的直方图上的一些开销,并增加您的关系的价值。

顺便说一句,这项技术有更详细的描述here

答案 1 :(得分:6)

也许群集是错误的策略

如果您想要显示类似的文章,使用相似性搜索代替

对于文本文章,这是很好理解的。只需将文章插入Lucene等文本搜索数据库,并将当前文章用作搜索查询。在Lucene中,存在一个query called MoreLikeThis来执行此操作:找到类似的文章。

群集是错误的工具,因为(特别是根据您的要求),每个文章都必须放入某个群集中;并且相关项对于集群中的每个对象都是相同的。如果数据库中存在异常值 - 很可能是这种情况 - 它们可能会破坏您的群集。此外,集群可能非常大。没有大小限制,聚类算法可能决定将一半的数据集放入同一个集群中。因此,您的数据库中的每篇文章都有10000篇相关文章。通过相似性搜索,您可以获得每个文档的前10个相似项目!

最后但并非最不重要:忘记PHP进行群集。它不是为此而设计的,并且不够高效。但你可以很好地从PHP访问lucene索引。

答案 2 :(得分:1)

我相信你需要做一些关于群集的设计决定,并从那里继续:

  1. 你为什么要聚集文本?您想一起显示相关文件吗?您想通过群集探索文档语料库吗?
  2. 因此,您想要flat还是hierarchical群集?
  3. 现在我们有两个方面的复杂性问题:第一,您从文本创建的功能的数量和类型 - 单个单词可能数万。您可能需要尝试一些feature selection - 例如在忽略stop words之后,取出N个最具信息性的单词,或者出现次数最多的N个单词。
  4. 其次,您希望最小化测量文档之间相似性的次数。正如bubaker正确指出的那样,检查所有文档对之间的相似性可能太多了。如果群集到少量群集就足够了,您可以考虑K-means clustering,这基本上是:选择一个初始K文档作为群集中心,将每个文档分配到最近的群集,通过查找文档向量方式重新计算群集中心,并迭代。这仅花费每次迭代的K *个文档数。我相信还有一些启发式方法可以减少层次聚类所需的计算次数。

答案 3 :(得分:0)

方法#1中调用的similar_text函数是什么样的?我认为你所指的不是聚类,而是一个相似性指标。我无法真正改进White Walloun的:-)直方图方法 - 这是一个有趣的问题,可以阅读。

但是,如果您实现check(),则必须使用它来进行至少200M的比较(20000^2的一半)。 “相关”文章的截止可能会限制您在数据库中存储的内容,但似乎过于武断,无法捕获所有有用的文本聚类,

我的方法是修改check()以返回“相似度”指标($prozentrtn)。将20K x 20K矩阵写入文件并使用外部程序执行聚类以识别每篇文章的最近邻居,您可以将其加载到related表中。我会在R中进行群集 - 在R的{​​{1}}文件中聚类数据有一个很好的tutorial