全文检索、数据挖掘、推荐引擎系列6---基于KMean的文本自动算法
对一系列文章进行自动聚类可以做为基于内容的推荐引擎的基础，如果要实现文本的自动聚类，首先按照本系列5中所介绍的，对文章进行分词，然后计算得出文章的术语向量表示，即求文章中每个不同的单词以其所对应的TF*IDF，具体计算方法如5中所示。目前文本自动聚类算法中，用得最多是KMean算法，本文中就介绍KMean算法的应用。当然，KMean算法可以通过调用Mahout或WEKA这两个开源的机器学习算法库来实现，但是在这类算法中需要准备比较复杂的输入文件，预处理过程比较复杂，还有一点，我们可能在实际应用中要对KMean算法进行调整，这样自己编写KMean算法重加有助于我们对文本聚类算法的理解。
我们首先定义术语向量类，用来表示每篇文章的术语向量，还包括文档编号和类别编号，具体代码如下所示：
public class SepaTermVector {
public SepaTermVector() {
termVector = new Vector<TermInfo>();
}
public Vector<TermInfo> getTermVector() {
return termVector;
}
public void setTermVector(Vector<TermInfo> termVector) {
this.termVector = termVector;
}
public int getDocId() {
return docId;
}
public void setDocId(int docId) {
this.docId = docId;
}
public int getClusterId() {
return clusterId;
}
public void setClusterId(int clusterId) {
this.clusterId = clusterId;
}
/**
* 在使用文章的术语向量时，我们不希望在自动聚类过程中破坏文章的术语向量，所以需要完体复
* 制一份术语向量给自动聚类算法
*/
@Override
public SepaTermVector clone() {
SepaTermVector obj = new SepaTermVector();
obj.setDocId(docId);
obj.setClusterId(clusterId);
Vector<TermInfo> vt = new Vector<TermInfo>();
for (TermInfo item : termVector) {
vt.add(item);
}
obj.setTermVector(vt);
return obj;
}
private Vector<TermInfo> termVector = null;
private int docId = -1; // 所属的文章编号
private int clusterId = -1; // 所属的聚类编号
}
然后我们定义文本聚类的类，在该类中保存聚类编号，聚类的中心（本身是该聚类中所有文章术语向量的一个并集）和聚类中所包含的术语向量（每个术语向量代表一篇文章）。代码如下所示：
public class TextClusterInfo {
public TextClusterInfo(int clusterId) {
this.clusterId = clusterId;
items = new Vector<SepaTermVector>(); // 考虑线程安全性而牺牲部分性能
}
public void addItem(SepaTermVector item) {
items.add(item);
}
public void clearItems() {
items.clear();
}
/**
* 计算本类型的中心点
*/
public void computeCenter() {
if (items.size() <= 0) {
return ;
}
for (SepaTermVector item : items) {
if (null == center) {
center = item;
} else {
center = DocTermVector.calCenterTermVector(item, center);
}
}
}
public int getClusterId() {
return clusterId;
}
public void setClusterId(int clusterId) {
this.clusterId = clusterId;
}
public SepaTermVector getCenter() {
return center;
}
public void setCenter(SepaTermVector center) {
this.center = center;
}
public List<SepaTermVector> getItems() {
return items;
}
public void setItems(List<SepaTermVector> items) {
this.items = items;
}
private int clusterId = 0;
private SepaTermVector center = null;
private List<SepaTermVector> items = null;
}
接下来就是KMean自动聚类算法的工具类了，这里需要注意的是标准KMean自动聚类算法中，只需要指定初始的聚类数，然后由算法自动随机选择聚类中心，然后进行迭代，最终找出自动聚类结果。为了降低算法计算强度，我们在实际中不但给出了聚类数量，还给出了每个聚类的中心术语向量，即在大量文本中，找出每个聚类中的一篇代表性文章，作为参数传给自动聚类算法，在我们的实验数据中，可以很快达到收敛的效果，并且准确性很高。
KMean算分为下列几步：
- 根据所给出的聚类中心初始化聚类
- 清空每个聚类中属于该聚类的术语向量列表
- 针对每篇文章的术语向量，求出与其最近的聚类，将该术语向量加入到该聚类，如果上次循环中求出的聚类和本次不同，则表明还需继续运行聚类算法
- 计算加入新术语向量后的聚类新的中心
- 判断是否还需要运行自动聚类算法，若需要则回到2
衡量术语向量与聚类的相似度采用点积形式，就是术语向量与聚类中心所代表的术语向量相同单词权值之和，值越大代表二者越相像，具体代码如下所示：
public static double getDotProdTvs(SepaTermVector stv1, SepaTermVector stv2) {
double dotProd = 0.0;
Hashtable<String, Double> dict = new Hashtable<String, Double>();
for (TermInfo info : stv2.getTermVector()) {
dict.put(info.getTermStr(), info.getWeight());
}
for (TermInfo item : stv1.getTermVector()) {
if (dict.get(item.getTermStr())!= null) {
dotProd += item.getWeight() * dict.get(item.getTermStr()).doubleValue();
}
}
return dotProd;
}
下面KMean算法实现类的代码：
public class TextKMeanCluster {
/**
* 在通常情况下，我们需要将待分类文本分出大致的类别来，即确定numClusters。在有些情况下，还可以指定某个类别中
* 的一篇文章。这样可以避免算法不收敛时聚类的质量问题。
* @param docTermVectors 需要进行聚类的术语向量
* @param numClusters 聚类数量
*/
public TextKMeanCluster(List<SepaTermVector> docTermVectors, int numClusters) {
this.docTermVectors = docTermVectors;
this.numClusters = numClusters;
}
/**
* 对文章进行聚类
* @param initCenters 聚类的中心点
* @return 聚类结果
*/
public List<TextClusterInfo> cluster(List<SepaTermVector> initCenters) {
if (docTermVectors.size() <= 0) {
return null;
}
initClusters(initCenters);
boolean hadReassign = true;
int runTimes = 0;
while ((runTimes<=MAX_KMEAN_RUNTIMES) && (hadReassign)) {
System.out.println("runTimes=" + runTimes + "!");
clearClusterItems();
hadReassign = reassignClusters();
computeClusterCenters();
runTimes++;
}
return clusters;
}
/**
* 本算法中采用给定聚类中心的方式，但是在标准KMean算法中是随机选择聚类中心的，随机选择收敛较慢。
*/
public void initClusters(List<SepaTermVector> initCenters) {
clusters = new Vector<TextClusterInfo>();
TextClusterInfo cluster = null;
int i = 0;
for (SepaTermVector stv : initCenters) {
cluster = new TextClusterInfo(i++);
cluster.setCenter(stv);
clusters.add(cluster);
}
}
/**
* 求出所有文章术语向量的新聚类，如果与上次求出的聚类不同，则表明需要继续运行
* @return 真时代表需要继续运行自动聚类算法
*/
public boolean reassignClusters() {
int numChanges = 0;
TextClusterInfo newCluster = null;
for (SepaTermVector termVector : docTermVectors) {
newCluster = getClosetCluster(termVector);
if ((termVector.getClusterId()<0) || termVector.getClusterId() != newCluster.getClusterId()) {
numChanges++;
termVector.setClusterId(newCluster.getClusterId());
}
newCluster.addItem(termVector);
//System.out.println("reassignCluster:cid=" + newCluster.getClusterId() + ":size=" +
//newCluster.getItems().size());
}
return (numChanges>0);
}
/**
* 求出加入新述语向量后聚类的新中心
*/
public void computeClusterCenters() {
for (TextClusterInfo cluster : clusters) {
cluster.computeCenter();
}
}
/**
* 清除该聚类的术语向量列表
*/
public void clearClusterItems() {
for (TextClusterInfo cluster : clusters) {
cluster.clearItems();
}
}
/**
* 在标准KMean算法中随机抽取聚类中心的算法，在本类中该方法暂时未使用
* @param usedIndex
* @return
*/
private SepaTermVector getTermVectorAtRandom(Hashtable<Integer, Integer> usedIndex) {
boolean found = false;
int index = -1;
while (!found) {
index = (int)Math.floor(Math.random() * docTermVectors.size());
while (usedIndex.get(index) != null) {
index = (int)Math.floor(Math.random() * docTermVectors.size());
}
usedIndex.put(index, index);
return docTermVectors.get(index).clone(); // 重新复制一份，不破坏原来的拷贝
}
return null;
}
/**
* 对术语向量和所有聚类中心所代表的术语向量做点积，取值最大的聚类为该文档的聚类
* @param termVector 术语向量
* @return 与该术语向量最接近的聚类
*/
private TextClusterInfo getClosetCluster(SepaTermVector termVector) {
TextClusterInfo closetCluster = null;
double dotProd = -1.0;
double maxDotProd = -2.0;
double dist = -1.0;
double smallestDist = Double.MAX_VALUE;
for (TextClusterInfo cluster : clusters) {
//dist = DocTermVector.calTermVectorDist(cluster.getCenter(), termVector);
dotProd = DocTermVector.getDotProdTvs(cluster.getCenter(), termVector);
//System.out.println("getClosetCluster:dotProd=" + dotProd + "[" + maxDotProd + "] docId="
//+ termVector.getDocId() + "!");
//if (dist < smallestDist) {
if (dotProd > maxDotProd) {
//smallestDist = dist;
maxDotProd = dotProd;
closetCluster = cluster;
}
}
return closetCluster;
}
public final static int MAX_KMEAN_RUNTIMES = 1000;
private List<SepaTermVector> docTermVectors = null; // 所有文章的术语向量
private List<SepaTermVector> centers = null;
private List<TextClusterInfo> clusters = null; // 所有聚类
private int numClusters = 0;
}
具体的调用方法如下所示：
DocTermVector.init();
// 技术类
int doc1Id = FteEngine.genTermVector(-1, "Java语言编程技术详解", "", "", "", "");
int doc2Id = FteEngine.genTermVector(-1, "C++语言编程指南", "", "", "", "");
int doc4Id = FteEngine.genTermVector(-1, "Python程序设计教程", "", "", "", "");
// 同性恋
int doc3Id = FteEngine.genTermVector(-1, "同性恋网站变身电子商务网站", "", "", "", "");
int doc5Id = FteEngine.genTermVector(-1, "同性恋网站大全", "", "", "", "");
int doc6Id = FteEngine.genTermVector(-1, "男同性恋特点", "同性恋", "", "", "");
// 天使投资
int doc7Id = FteEngine.genTermVector(-1, "天使投资社交网络", "", "", "", "");
int doc8Id = FteEngine.genTermVector(-1, "天使投资发展概况", "", "", "", "");
int doc9Id = FteEngine.genTermVector(-1, "著名天使投资人和天使投资机构", "", "", "", "");
// 环境保护
int doc10Id = FteEngine.genTermVector(-1, "环境保护技术分析", "", "", "", "");
int doc11Id = FteEngine.genTermVector(-1, "环境保护与碳关税分析", "", "", "", "");
int doc12Id = FteEngine.genTermVector(-1, "环境保护与我国经济发展趋势", "", "", "", "");
FteEngine.genTermVector(-1, "VB编程指南", "", "", "", "");
FteEngine.genTermVector(-1, "天使投资社区天使街正式上线运行", "", "", "", "");
FteEngine.genTermVector(-1, "年度编程语言评选活动", "", "", "", "");
List<SepaTermVector> centers = new Vector<SepaTermVector>();
centers.add(DocTermVector.getDocTermVector(0));
centers.add(DocTermVector.getDocTermVector(3));
centers.add(DocTermVector.getDocTermVector(6));
centers.add(DocTermVector.getDocTermVector(9));
TextKMeanCluster tkmc = new TextKMeanCluster(DocTermVector.getDocTermVectors(), 4);
List<TextClusterInfo> rst = tkmc.cluster(centers);
String lineStr = null;
for (TextClusterInfo info : rst) {
lineStr = "" + info.getClusterId() + "(" + info.getItems().size() + "):";
for (SepaTermVector tvItem : info.getItems()) {
lineStr += " " + tvItem.getDocId();
}
lineStr += "^_^";
System.out.println(lineStr);
}
运行的结果为：
0(5): 0 1 2 12 14^_^
1(3): 3 4 5^_^
2(4): 6 7 8 13^_^
3(3): 9 10 11^_^
由上面的结果来看，实现了基本正确的聚类。