数据挖掘-基于Kmeans算法、MBSAS算法及DBSCAN算法的newsgroup18828文本聚类器的JAVA实现(下)
本文接数据挖掘-基于Kmeans算法、MBSAS算法及DBSCAN算法的newsgroup18828文本聚类器的JAVA实现(上).
(update 2012.12.28 关于本项目下载及运行的常见问题 FAQ见 newsgroup18828文本分类器、文本聚类器、关联分析频繁模式挖掘算法的Java实现工程下载及运行FAQ )
本文要点如下：
介绍基于LSI(隐性语义索引)中SVD分解做特征降维的方法
介绍两外两种文本聚类算法MBSAS算法及DBSCAN算法
对比三种算法对newsgroup18828文档集的聚类效果
1、SVD分解降维
以词项(terms)为行, 文档(documents)为列做一个大矩阵(matrix). 设一共有t行d列, 矩阵名为A. 矩阵的元素为词项的tf-idf值。然后对该矩阵做SVD分解 A=T*S*D‘，把S的m个对角元素的前k个保留（最大的k个保留）, 后m-k个置0, 我们可以得到一个新的近似的分解: Xhat=T*S*D’ 。Xhat在最小二乘意义下是X的最佳近似
给定矩阵A, 基于A可以问三类同文件检索密切有关的问题
术语i和j有多相似?
即术语的类比和聚类问题
文件i和j有多相似?
即文件的类比和聚类问题
术语i和文件j有多相关?
即术语和文件的关联问题
利用SVD分解得到的矩阵可以计算这三个问题，方法如下（DT代表D的转置，以此类推）
比较两个术语
做"正向"乘法:
Xhat*XhatT=T*S*DT*D*S*TT=T*S2*TT=(TS)*(TS)T
DT*D=I, 因为D已经是正交归一的 ,s=sT
它的第i行第j列表明了术语i和j的相似程度
比较两个文件做"逆向"乘法:
XhatT*Xhat=D*S*TT*T*S*DT=D*S2*DT=(DS)(DS)T
TT*T=I, 因为T已经是正交归一的, s=sT
它的第i行第j列表明了文件i和j的相似程度
此法给出了求文件之间相似度的一个途径，于是可以基于此相似度矩阵实现K-means算法
比较一个文件和一个术语恰巧就是Xhat本身.
它的第i行第j列表明了术语i和文件j的相关联程度.
SVD分解主要基于JAMA矩阵运算包实现，JAMA矩阵运算包下载见http://math.nist.gov/javanumerics/jama/
DimensionReduction.java
package com.pku.yangliu;
import java.io.IOException;
import java.util.Iterator;
import java.util.Map;
import java.util.Set;
import Jama.Matrix;
import Jama.SingularValueDecomposition;
/**基于LSI对文档的特征向量做降维，SVD运算基于JAMA矩阵运算包实现
*
*/
public class DimensionReduction {
/**把测试样例的map转化成文档相似性矩阵
* @param Map> allTestSampleMap 所有测试样例的<文件名，向量>构成的map
* @param String[] terms 特征词集合
* @return double[][] doc-doc相似性矩阵
* @throws IOException
*/
public double[][] getSimilarityMatrix(
Map> allTestSampleMap, String[] terms) {
// TODO Auto-generated method stub
System.out.println("Begin compute docTermMatrix!");
int i = 0;
double [][] docTermMatrix = new double[allTestSampleMap.size()][terms.length];
Set>> allTestSampleMapSet = allTestSampleMap.entrySet();
for(Iterator>> it = allTestSampleMapSet.iterator();it.hasNext();){
Map.Entry> me = it.next();
for(int j = 0; j < terms.length; j++){
if(me.getValue().containsKey(terms[j])){
docTermMatrix[i][j] = me.getValue().get(terms[j]);
}
else {
docTermMatrix[i][j] =0;
}
}
i++;
}
double[][] similarityMatrix = couputeSimilarityMatrix(docTermMatrix);
return similarityMatrix;
}
/**基于docTermMatrix生成相似性矩阵
* @param double[][] docTermMatrix doc-term矩阵
* @return double[][] doc-doc相似性矩阵
* @throws IOException
*/
private double[][] couputeSimilarityMatrix(double[][] docTermMatrix) {
// TODO Auto-generated method stub
System.out.println("Compute docTermMatrix done! begin compute SVD");
Matrix docTermM = new Matrix(docTermMatrix);
SingularValueDecomposition s = docTermM.transpose().svd();
System.out.println(" Compute SVD done!");
//A*A' = D*S*S'*D' 如果是doc-term矩阵
//A'*A = D*S'*S*D' 如果是term-doc矩阵
//注意svd函数只适合行数大于列数的矩阵，如果行数小于列数，可对其转置矩阵做SVD分解
Matrix D = s.getU();
Matrix S = s.getS();
for(int i = 100; i < S.getRowDimension(); i++){//降到100维
S.set(i, i, 0);
}
System.out.println("Compute SimilarityMatrix done!");
return D.times(S.transpose().times(S.times(D.transpose()))).getArray();
}
}
有了上面得到的文档与文档之间的相似性矩阵后，我们就可以实现另一个版本的K-means算法了。注意中心点的计算是直接对该聚类中的所有文档的距离向量求平均，作为该中心点与其他所有文档的距离。具体实现如下，主函数在数据挖掘-基于Kmeans算法、MBSAS算法及DBSCAN算法的newsgroup18828文本聚类器的JAVA实现(上)中已经给出。
package com.pku.yangliu;
import java.io.FileWriter;
import java.io.IOException;
import java.util.Iterator;
import java.util.Map;
import java.util.Set;
import java.util.TreeMap;
import java.util.Vector;
import java.lang.Integer;
/**Kmeans聚类算法的实现类，将newsgroups文档集聚成10类、20类、30类,采用SVD分解
* 算法结束条件:当每个点最近的聚类中心点就是它所属的聚类中心点时，算法结束
*
*/
public class KmeansSVDCluster {
/**Kmeans算法主过程
* @param Map> allTestSampleMap 所有测试样例的<文件名，向量>构成的map
* @param double [][] docSimilarityMatrix 文档与文档的相似性矩阵 [i,j]为文档i与文档j的相似性度量
* @param int K 聚类的数量
* @return Map 聚类的结果 即<文件名，聚类完成后所属的类别标号>
* @throws IOException
*/
private Map doProcess(
Map> allTestSampleMap, double[][] docSimilarityMatrix, int K) {
// TODO Auto-generated method stub
//0、首先获取allTestSampleMap所有文件名顺序组成的数组
String[] testSampleNames = new String[allTestSampleMap.size()];
int count = 0, tsLength = allTestSampleMap.size();
Set>> allTestSampeleMapSet = allTestSampleMap.entrySet();
for(Iterator>> it = allTestSampeleMapSet.iterator(); it.hasNext(); ){
Map.Entry> me = it.next();
testSampleNames[count++] = me.getKey();
}
//1、初始点的选择算法是随机选择或者是均匀分开选择，这里采用后者
Map meansMap = getInitPoint(testSampleNames, docSimilarityMatrix, K);//保存K个中心点
//2、初始化K个聚类
int [] assignMeans = new int[tsLength];//记录所有点属于的聚类序号，初始化全部为0
Map> clusterMember = new TreeMap>();//记录每个聚类的成员点序号
Vector mem = new Vector();
int iterNum = 0;//迭代次数
while(true){
System.out.println("Iteration No." + (iterNum++) + "----------------------");
//3、找出每个点最近的聚类中心
int[] nearestMeans = new int[tsLength];
for(int i = 0; i < tsLength; i++){
nearestMeans[i] = findNearestMeans(meansMap, i);
}
//4、判断当前所有点属于的聚类序号是否已经全部是其离得最近的聚类，如果是或者达到最大的迭代次数，那么结束算法
int okCount = 0;
for(int i = 0; i kmeansClusterResult, String kmeansClusterResultFile) throws IOException {
// TODO Auto-generated method stub
FileWriter resWriter = new FileWriter(kmeansClusterResultFile);
Set> kmeansClusterResultSet = kmeansClusterResult.entrySet();
for(Iterator> it = kmeansClusterResultSet.iterator(); it.hasNext(); ){
Map.Entry me = it.next();
resWriter.append(me.getKey() + " " + me.getValue() + "\n");
}
resWriter.flush();
resWriter.close();
}
/**Kmeans算法
* @param String testSampleDir 测试样例目录
* @param String[] term 特征词数组
* @throws IOException
*/
public void KmeansClusterMain(String testSampleDir, String[] terms) throws IOException {
//首先计算文档TF-IDF向量，保存为Map> 即为Map<文件名，Map<特征词，TF-IDF值>>
ComputeWordsVector computeV = new ComputeWordsVector();
DimensionReduction dimReduce = new DimensionReduction();
int[] K = {10, 20, 30};
Map> allTestSampleMap = computeV.computeTFMultiIDF(testSampleDir);
//基于allTestSampleMap生成一个doc*term矩阵，然后做SVD分解
double[][] docSimilarityMatrix = dimReduce.getSimilarityMatrix(allTestSampleMap, terms);
for(int i = 0; i < K.length; i++){
System.out.println("开始聚类，聚成" + K[i] + "类");
String KmeansClusterResultFile = "F:/DataMiningSample/KmeansClusterResult/";
Map KmeansClusterResult = new TreeMap();
KmeansClusterResult = doProcess(allTestSampleMap, docSimilarityMatrix, K[i]);
KmeansClusterResultFile += K[i];
printClusterResult(KmeansClusterResult,KmeansClusterResultFile);
System.out.println("The Entropy for this Cluster is " + computeV.evaluateClusterRes(KmeansClusterResultFile, K[i]));
}
}
}
另外两种聚类算法MBSAS算法和DBSCAN算法由我们组另外两位同学实现，其实也很简单，源码这里就不贴出来了。感兴趣的朋友可以到点击打开链接下载eclipse工程运行。这三种算法的聚类结果采用熵值大小来评价，熵值越小聚类效果越好，具体如下
可见对newsgroup文档集聚类采用K-means算法，用余弦相似度或者内积度量相似度可以达到良好的效果。而SVD分解还是很耗时间，事实上对20000X3000的矩阵做SVD分解的时间慢得难以忍受，我还尝试对小规模数据聚类，但是发现降维后聚类结果熵值超过了2，不及DF法降维的聚类效果。因此对于文本聚类的SVD降维未必是好方法,。除了这三种聚类算法，还有层次聚类算法等其他很多算法，以后会尝试给出其他算法的实现和聚类效果对比。敬请关注:)