语义相似度与群智能结合的文本聚类新方法

"这篇论文提出了一种新的群智能文本聚类方法，该方法结合了语义相似度、K-均值算法、蚁群算法和模拟退火算法，以解决传统基于VSM的文本聚类算法在计算文本相似度时忽视语义信息和维度间关系的问题。通过K-均值初聚类后，用蚁群和模拟退火算法优化聚类结果，提高了聚类精度和召回率。该研究得到了人工智能四川省重点实验室开放基金和‘青蓝工程’的资助，并由陶红、周永梅和高尚等作者进行。" 在文本聚类领域，基于VSM（向量空间模型）的方法常被用来计算文本之间的相似度，但这种方法往往无法考虑词的语义信息和不同维度的关联性，因此可能导致聚类效果不佳。为了解决这一问题，论文提出的新型算法引入了语义相似度的概念。语义相似度计算通常基于词义库，如WordNet，通过分析词汇的深层含义来增强文本的相似度判断。 K-均值算法是一种广泛应用的聚类方法，它通过迭代过程将数据分配到预设数量的类别中，以最小化类别内部的差异（平方误差和）。然而，K-均值算法对初始聚类中心的选择敏感，可能陷入局部最优。为了弥补这一点，论文采用了蚁群算法和模拟退火算法。蚁群算法模拟自然界中蚂蚁寻找食物的行为，通过正反馈机制找到全局最优路径，而模拟退火算法则利用热力学原理，在搜索空间中避免过早收敛，寻找更优解。 论文中，研究人员首先应用K-均值算法进行初步聚类，然后利用蚁群算法和模拟退火算法对聚类结果进行优化调整。实验结果显示，这种混合算法能显著提高聚类的准确性和召回率，验证了新方法的有效性。这种基于语义相似度的群智能文本聚类方法不仅提升了聚类质量，还展示了群智能算法在文本挖掘领域的潜力和优势。 该研究为文本聚类提供了一个新的视角，即结合语义理解与优化算法，对于提升文本数据的组织和理解能力具有重要意义，特别是在大数据分析、信息检索、文档分类等场景下。此外，该方法也对优化其他领域的问题，如图像聚类、网络爬虫等，提供了启示。