85、聚类算法对比及星型聚类中心选择研究

聚类算法对比及星型聚类中心选择研究

1. 聚类算法与主题监测

聚类是将相似对象分组的任务。在图聚类中，顶点代表对象，边（可能有权重）代表对象间的相似度，聚类就是将图中的密集区域与稀疏区域分开，密集区域即为聚类。有多种聚类算法，如二分k - 均值算法和DBScan算法，下面将结合ThemeFinder工具对这两种算法进行分析。

1.1 聚类监测与主题发现

通过ThemeFinder监测聚类标签，能发现聚类中的主题变化。在二分k - 均值聚类中，聚类标签会随时间变化；而在DBScan聚类中，聚类标签相对稳定，但聚类数量会增加，不同时期会产生新标签以展示新主题。

1.2 算法效果与数据影响

实验表明，ThemeFinder在二分k - 均值和DBScan两种聚类算法中都能有效检测和监测聚类主题。DBScan产生大量噪声数据，说明所用数据噪声大，这可能是二分k - 均值聚类效果不佳的原因之一，这也是该算法的一个缺点。此外，在两种算法的结果中监测标签，都能看到数据中主题的变化，只是表现形式不同。同时，调整特征空间的次数较少，二分k - 均值在9个周期中仅调整2次，DBScan在5个周期中调整次数为0。

算法	标签变化特点	噪声数据情况	特征空间调整次数
二分k - 均值	标签随时间变化	较少提及	9个周期2次