科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提高文本聚类的性能，采用近邻传播(Affinity propagation, AP)算法进行文本聚类，并采用知识图谱进行样本预分析，以提高AP的文本聚类适用度。采用知识图谱进行样本预处理，对待聚类的文本进行知识图谱三元分析，并生成对应概念、实体和关系的样本集合；建立AP文本聚类模型，并通过差分进化(Differential evolution, DE)算法优化偏向参数；利用DE算法求解的最优个体的偏向参数进行AP聚类运算，不断更新AP算法的决策和潜力阵，从而获得稳定的聚类结果。试验结果表明，经过知识图谱分析之后，通过合理设置DE算法的差分缩放因子和交叉速率，DE-AP算法能够获得更优的聚类准确度，且聚类准确度的均方根误差(Root mean squared error, RMSE)值更低；和常用文本聚类算法相比，该文算法获得了更高的聚类准确度。
- 单位
