一種基于詞嵌入與密度峰值策略的大數(shù)據(jù)文本聚類算法

田曉艷

摘 要：提出一種基于詞嵌入與密度峰值策略的文本聚類算法，并將其應(yīng)用于大數(shù)據(jù)網(wǎng)絡(luò)文本數(shù)據(jù)中。通過對(duì)文本數(shù)據(jù)進(jìn)行預(yù)處理轉(zhuǎn)化為詞嵌入表示的實(shí)數(shù)向量，并進(jìn)一步采用密度峰值聚類算法實(shí)現(xiàn)文本聚類。實(shí)驗(yàn)表明該方法在準(zhǔn)確率、召回率以及F值等指標(biāo)上均優(yōu)于傳統(tǒng)文本聚類算法。

關(guān)鍵詞：詞嵌入；密度峰值；大數(shù)據(jù)文本；聚類算法

1 密度峰值聚類算法

密度峰值聚類算法的主要思想是認(rèn)為聚類中心是密度大的數(shù)據(jù)點(diǎn)，它周圍圍繞著比自身密度小的數(shù)據(jù)點(diǎn)。同時(shí)，聚類中心與其它的高密度數(shù)據(jù)點(diǎn)之間的距離較大。假設(shè)μi為目標(biāo)空間中的任意數(shù)據(jù)點(diǎn)，算法為其初始化兩個(gè)參數(shù)。一個(gè)參數(shù)為數(shù)據(jù)點(diǎn)密度ρi，另一個(gè)參數(shù)是該數(shù)據(jù)點(diǎn)到其它高密度數(shù)據(jù)點(diǎn)的距離δi，則聚類中心就是ρi與δi都大的數(shù)據(jù)點(diǎn)μi，對(duì)于其它的數(shù)據(jù)點(diǎn)則根據(jù)相同的規(guī)則分配到其它的距離最近的類簇中。

1.1 數(shù)據(jù)點(diǎn)密度與距離的計(jì)算方法

任意數(shù)據(jù)點(diǎn)μi的密度計(jì)算公式如公式（1）所示， 它表示數(shù)據(jù)點(diǎn)μi周圍某截?cái)嗑嚯x內(nèi)的點(diǎn)的個(gè)數(shù)。

1.2 聚類中心的選擇策略

對(duì)于數(shù)據(jù)點(diǎn)集S中的任意數(shù)據(jù)點(diǎn)都可以通過公式（1）與公式（2）計(jì)算數(shù)據(jù)點(diǎn)的密度與距離，以密度為橫坐標(biāo)，距離為縱坐標(biāo)可以得到聚類選擇的決策圖，從決策圖上可以直觀的選擇出密度與距離都大的點(diǎn)作為聚類中心。

2 基于詞嵌入的文本聚類算法

為了更好的將該算法應(yīng)用到文本聚類中，采用詞嵌入表示文作為文本的初始化方法。詞嵌入（Word embedding）是一種表示自然語言的特征學(xué)習(xí)方法。文本語料中的單詞或者短語甚至是語句都可以映射為低維實(shí)數(shù)向量。詞嵌入有效的改善了One-hot Representation的詞匯鴻溝現(xiàn)象（詞匯之間是孤立的，沒有語義關(guān)聯(lián)）。利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練詞嵌入表示的典型工作是由Bengio等人[1]提出的。Collobert等人[2]系統(tǒng)的提出了詞嵌入的訓(xùn)練方法，并利用其模型同時(shí)解決了詞性標(biāo)注、命名實(shí)體識(shí)別以及語義識(shí)別等自然語言處理任務(wù)。word2vec是2013年Google提供的開源詞嵌入工具，通過該工具獲得的詞嵌入可以直接用于聚類分析。因此本文實(shí)現(xiàn)的文本聚類算法采用word2vec工具進(jìn)行詞嵌入的預(yù)訓(xùn)練。在文本聚類算法實(shí)現(xiàn)過程中，首先將目標(biāo)語料利用word2vec工具訓(xùn)練為實(shí)數(shù)向量來表示每一個(gè)數(shù)據(jù)點(diǎn)，通過計(jì)算詞嵌入之間的相似性來表示數(shù)據(jù)點(diǎn)的密度與距離，實(shí)現(xiàn)文本聚類。基于詞嵌入與密度峰值策略的文本聚類算法基本流程如下。首先，利用word2vec工具對(duì)語料進(jìn)行預(yù)處理，將文本數(shù)據(jù)轉(zhuǎn)變?yōu)閷?shí)數(shù)向量；利用余弦相似度計(jì)算數(shù)據(jù)點(diǎn)之間的相似度；根據(jù)數(shù)據(jù)點(diǎn)之間的相似度計(jì)算數(shù)據(jù)點(diǎn)的密度以及距離；根據(jù)決策圖選擇聚類中心。

3 實(shí)驗(yàn)結(jié)果及分析

本文實(shí)驗(yàn)包括對(duì)基于詞嵌入的密度峰值聚類算法性能與DBSCAN聚類算法對(duì)比測(cè)試，以及對(duì)文本聚類效果的比較分析。實(shí)驗(yàn)語料采用搜狗試驗(yàn)室的標(biāo)注文檔（http：//www.sogou.com/labs/dl/c.html）。包含財(cái)經(jīng)、計(jì)算機(jī)、健康等9個(gè)分類的網(wǎng)絡(luò)文本數(shù)據(jù)，每個(gè)分類都包含約2000條的新聞數(shù)據(jù)。在實(shí)驗(yàn)前的數(shù)據(jù)預(yù)處理中，將每一類新聞的數(shù)據(jù)隨機(jī)提取出來，重新構(gòu)造S-500與S-1500兩個(gè)數(shù)據(jù)集，分別包括500與1500條新聞數(shù)據(jù)。

3.1 實(shí)驗(yàn)設(shè)置

本文選擇準(zhǔn)確率（Precision）、召回率（Recall）以及F值（F-Measure）作為算法評(píng)價(jià)指標(biāo)。準(zhǔn)確率可以反映出算法對(duì)語料內(nèi)容分類的能力；召回率能夠判斷算法分類與人工分類的相似程度高低；F值是準(zhǔn)確率與召回率的綜合指標(biāo)，取值在0～1之間，值越高說明算法性能越好。DBSCAN算法通過多次實(shí)驗(yàn)來確定參數(shù)，將eps值設(shè)置為0.68；minPts值設(shè)為14.32。

3.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)結(jié)果如表1所示，本文算法的準(zhǔn)確率、召回率與F值等指標(biāo)均優(yōu)于DBSAN算法。這是因?yàn)楸疚乃惴ㄍㄟ^密度與距離共同判斷聚類中心，并非只依靠密度這個(gè)單一特征來判斷，因此與DBSCAN相比能夠更加準(zhǔn)確的區(qū)分出不同的類簇。并且，本文算法需要考察的是數(shù)據(jù)點(diǎn)之間的距離（文本相似性），與數(shù)據(jù)的輸入順序無關(guān)，因此可以更快速的劃分類簇。

4 結(jié)束語

本文在研究了詞嵌入技術(shù)與密度峰值聚類算法的基礎(chǔ)上提出了一種基于詞嵌入的密度峰值大數(shù)據(jù)文本聚類算法。該算法結(jié)合了詞嵌入能夠表示語義特征與密度峰值聚類算法能夠快速準(zhǔn)確劃分類簇的優(yōu)點(diǎn)，對(duì)當(dāng)前大數(shù)據(jù)環(huán)境中的海量文本數(shù)據(jù)進(jìn)行高效挖掘。通過實(shí)驗(yàn)表明，本文算法對(duì)于較大數(shù)據(jù)量的文本依然能夠快速準(zhǔn)確的進(jìn)行聚類，與傳統(tǒng)方法相比魯棒性更強(qiáng)。在下一步研究中，將深度學(xué)習(xí)技術(shù)與本文聚類算法相結(jié)合，以獲取更加有效的語義分類方法。

參考文獻(xiàn)

[1]Bengio Y， Ducharme R， jean， et al. A neural probabilistic language model[J]. Journal of Machine Learning Research，2006，3（6）：1137-1155.

[2]Collobert R， Weston J， Bottou L， et al. Natural Language Processing （Almost） from Scratch[J]. Journal of Machine Learning Research，2011，12（1）：2493-2537.