18、基于簇标签最大化的新型增量生长神经气体算法：异构文本数据聚类应用

基于簇标签最大化的新型增量生长神经气体算法：异构文本数据聚类应用

1. 引言

在文本数据聚类领域，神经网络聚类方法展现出了独特的优势。这些方法的核心原则是考虑簇之间的邻域关系，可分为预设拓扑结构（如自组织映射SOM）和动态拓扑结构（如神经气体NG、生长神经气体GNG）两类。与传统聚类方法（如K - means）相比，它们对初始条件的敏感性较低，在处理高维稀疏数据（如文本数据）时具有重要优势。

• SOM算法 ：其网络架构基于数据特征可形成自组织特征图的理念，将高维数据空间映射到二维神经元网格。该算法包含两个基本步骤：一是在网格上选择获胜神经元，二是更新获胜神经元及其相邻神经元的权重。SOM的优势在于将聚类过程与聚类结果投影过程相结合，但存在边界效应问题，且由于网格拓扑结构固定，神经元不一定能贴近数据结构。
• NG算法 ：神经元权重的调整不依赖于固定拓扑结构，而是通过对给定输入数据的神经元权重进行邻域排序。与SOM相比，它摆脱了地形约束，能更好地表示数据结构，理论上可获得更好的分类结果。然而，其神经元数量（即最终簇的数量）是固定参数，这是一个主要缺点。
• GNG算法 ：引入了进化网络的概念，解决了NG算法的静态特性问题。在学习阶段，神经元数量会根据数据分布特征进行调整，可删除和创建神经元及它们之间的连接。但该方法的停止准则在处理复杂或稀疏多维数据时可能无法满足，这是其主要劣势。
• IGNG算法 ：是GNG算法的改进版本，放宽了网络周期性进化的约束。当当前输入数据到现有神经元的距