基于概念格与粗糙集的Web文本聚类研究

论文摘要

形式概念分析自1982年由德国的Wille教授提出以后,近年来被广泛用于软件工程、知识发现、信息检索等领域。形式概念分析中的核心数据结构概念格通过Hasse图来表现出概念之间的层次关系。粗糙集理论是由Pawlak Z于1982年提出的,它是一种处理不确定、不精确和模糊知识的数学工具,建立在数据库的基础上,由等价类确定的可定义子集及其它子集合的上下近似,提供了知识发现的一种数学方法,已被广泛应用于知识获取、机器学习等领域。形式概念分析和粗糙集理论之间具有相似之处,都是基于某种数据表,有着密切的联系。粗糙集利用等价关系对数据表进行分类,而概念格是基于这一数据表,结合序理论,尤其是完备格理论,进行概念分层分析。本文主要是基于概念格和粗糙集的知识来解决文本聚类问题。主要研究工作包括:（1）提出了一种基于概念格的文本聚类方法,采用概念格模型来表示Web文档,利用概念格的知识从文档形式背景中获得所有的概念,且定义了概念之间相似度函数。用概念来表示文本,从而降低了特征词的维数,提高其聚类的性能。（2）提出了一种基于粗糙集模型的文本聚类方法,采用粗糙集模型来表示Web文本,把在一定范围内的特征词权重转化为特定的属性值,从而把文档数据库转化为文档决策表。利用粗糙集的上近似集来衡量属性之间的最大粗糙度,根据划分的思想对文本进行聚类。（3）通过概念格和粗糙集的相似研究,把粗糙思想和形式概念分析相结合,提出了一种可变精度的粗糙概念格模型来处理一些粗糙和不精确的信息,定义了粗糙概念中对象集和属性集的近似映射,引入了分别体现了概念外延之间和概念内涵之间的粗糙程度的参数β1和β2。根据用户输入的不同的参数值β1和β2,可以得到不同粗糙程度的粗糙概念格,介绍了可变精度的粗糙概念格模型在文本聚类中的应用。

论文目录

• 摘要
• ABSTRACT
• 1 引言
• 1.1 论文的研究背景和选题依据
• 1.2 论文的主要研究内容
• 1.2.1 形式概念分析
• 1.2.2 粗糙集
• 1.2.3 WEB 文本聚类
• 1.3 论文创新
• 1.4 论文的内容组织
• 2 概念格、粗糙集与文本聚类
• 2.1 概念格模型
• 2.1.1 概念格模型的数学基础
• 2.1.2 概念格模型的基本概念
• 2.1.3 概念格模型的构造算法
• 2.2 粗糙集合理论
• 2.2.1 基本概念
• 2.2.2 近似空间
• 2.2.3 可变精度粗糙集
• 2.3 概念格与粗糙集的联系
• 2.4 文本聚类
• 2.4.1 常见的文本特征选择方法
• 2.4.2 文本聚类算法分析
• 2.5 本章小结
• 3 基于概念格的 WEB 文本聚类
• 3.1 Web 文本预处理和特征词的选择
• 3.2 Web 文本聚类的概念格表示模型
• 3.3 概念格的属性约简
• 3.4 基于概念格的k-means 文本聚类算法（TCUCC）
• 3.5 实验分析
• 3.6 本章小结
• 4 基于粗糙集的WEB 文本聚类
• 4.1 基于粗糙集的文本表示方法
• 4.2 基于粗糙集的文本聚类方法
• 4.3 实验分析
• 4.4 本章小结
• 5 一种粗糙概念格模型及在文本聚类中的应用
• 5.1 一种粗糙概念格模型
• 5.2 粗糙概念格在 Web 文本聚类中的应用
• 5.3 实验分析
• 5.4 本章小结
• 6 结束语
• 6.1 本文工作总结
• 6.2 未来工作展望
• 参考文献
• 致谢
• 作者攻读硕士学位期间发表的学术论文
• 作者攻读硕士学位期间参加的科研项目