最好的聚类算法？（简单解释一下）

StackOverflow https://stackoverflow.com/questions/853139

题

想象一下以下问题：

  • 您有一个名为“文章”的表，其中包含大约 20,000 条文本的数据库
  • 您希望使用聚类算法连接相关文章，以便将相关文章显示在一起
  • 该算法应该进行平面聚类（而不是分层聚类）
  • 相关文章应插入“相关”表中
  • 聚类算法应该根据文本来决定两篇或多篇文章是否相关
  • 我想用 PHP 编写代码，但使用伪代码或其他编程语言的示例也可以

我用函数 check() 编写了初稿，如果两个输入文章相关，则给出“true”，如果不相关，则给出“false”。其余代码（从数据库中选择文章、选择要比较的文章、插入相关文章）也已完成。也许你也可以改善其余的事情。但对我来说重要的要点是函数 check()。因此，如果您可以发布一些改进或完全不同的方法，那就太好了。

方法一

<?php
$zeit = time();
function check($str1, $str2){
    $minprozent = 60;
    similar_text($str1, $str2, $prozent);
    $prozent = sprintf("%01.2f", $prozent);
    if ($prozent > $minprozent) {
        return TRUE;
    }
    else {
        return FALSE;
    }
}
$sql1 = "SELECT id, text FROM articles ORDER BY RAND() LIMIT 0, 20";
$sql2 = mysql_query($sql1);
while ($sql3 = mysql_fetch_assoc($sql2)) {
    $rel1 = "SELECT id, text, MATCH (text) AGAINST ('".$sql3['text']."') AS score FROM articles WHERE MATCH (text) AGAINST ('".$sql3['text']."') AND id NOT LIKE ".$sql3['id']." LIMIT 0, 20";
    $rel2 = mysql_query($rel1);
    $rel2a = mysql_num_rows($rel2);
    if ($rel2a > 0) {
        while ($rel3 = mysql_fetch_assoc($rel2)) {
            if (check($sql3['text'], $rel3['text']) == TRUE) {
                $id_a = $sql3['id'];
                $id_b = $rel3['id'];
                $rein1 = "INSERT INTO related (article1, article2) VALUES ('".$id_a."', '".$id_b."')";
                $rein2 = mysql_query($rein1);
                $rein3 = "INSERT INTO related (article1, article2) VALUES ('".$id_b."', '".$id_a."')";
                $rein4 = mysql_query($rein3);
            }
        }
    }
}
?>

方法 2 [仅检查()]

<?php
function square($number) {
    $square = pow($number, 2);
    return $square;
}
function check($text1, $text2) {
    $words_sub = text_splitter($text2); // splits the text into single words
    $words = text_splitter($text1); // splits the text into single words
    // document 1 start
    $document1 = array();
    foreach ($words as $word) {
        if (in_array($word, $words)) {
            if (isset($document1[$word])) { $document1[$word]++; } else { $document1[$word] = 1; }
        }
    }
    $rating1 = 0;
    foreach ($document1 as $temp) {
        $rating1 = $rating1+square($temp);
    }
    $rating1 = sqrt($rating1);
    // document 1 end
    // document 2 start
    $document2 = array();
    foreach ($words_sub as $word_sub) {
        if (in_array($word_sub, $words)) {
            if (isset($document2[$word_sub])) { $document2[$word_sub]++; } else { $document2[$word_sub] = 1; }
        }
    }
    $rating2 = 0;
    foreach ($document2 as $temp) {
        $rating2 = $rating2+square($temp);
    }
    $rating2 = sqrt($rating2);
    // document 2 end
    $skalarprodukt = 0;
    for ($m=0; $m<count($words)-1; $m++) {
        $skalarprodukt = $skalarprodukt+(array_shift($document1)*array_shift($document2));
    }
    if (($rating1*$rating2) == 0) { continue; }
    $kosinusmass = $skalarprodukt/($rating1*$rating2);
    if ($kosinusmass < 0.7) {
        return FALSE;
    }
    else {
        return TRUE;
    }
}
?>

我还想说，我知道有很多聚类算法，但每个站点上只有数学描述，这对我来说有点难以理解。因此，用（伪）代码编写示例会很棒。

我希望你可以帮助我。提前致谢！

有帮助吗？

解决方案

据我所知，对文本数据执行此操作的最标准方法是使用“词袋”技术。

首先，为每篇文章创建一个单词“直方图”。假设您的所有文章之间只有 500 个独特的单词。那么这个直方图将是一个大小为 500 的向量（Array、List、Whatever），其中数据是每个单词在文章中出现的次数。因此，如果向量中的第一个点代表单词“asked”，并且该单词在文章中出现了 5 次，则向量 [0] 将为 5：

for word in article.text
    article.histogram[indexLookup[word]]++

现在，要比较任意两篇文章，非常简单。我们简单地将两个向量相乘：

def check(articleA, articleB)
    rtn = 0
    for a,b in zip(articleA.histogram, articleB.histogram)
        rtn += a*b
    return rtn > threshold

（抱歉使用 python 而不是 PHP，我的 PHP 生锈了，使用 zip 使这变得更容易）

这是基本思想。注意阈值是半任意的；您可能想要找到一种好方法来规范化直方图的点积（这几乎必须在某处考虑文章长度）并决定您认为“相关”的内容。

另外，您不应该只将每个单词都放入直方图中。一般来说，您会希望包含那些不经常使用的内容：不是在每一篇文章中，也不是仅在一篇文章中。这可以节省您的直方图的一些开销，并增加关系的价值。

顺便说一下，这个技术有更详细的描述 这里

其他提示

或许 集群是错误的策略 这里？

如果你想显示 相似的 文章， 使用 相似性搜索 反而.

对于文本文章来说，这是很好理解的。只需将您的文章插入到 Lucene 等文本搜索数据库中，然后使用您当前的文章作为搜索查询即可。在Lucene中，存在一个 查询称为 MoreLikeThis 其执行的正是这样的：查找类似的文章。

集群是错误的工具，因为（特别是根据您的要求）， 每一个 文章必须放入某个簇中；并且集群中每个对象的相关项都是相同的。如果数据库中存在异常值（很可能是这种情况），它们可能会破坏您的聚类。此外， 集群可能非常大. 。没有大小限制，聚类算法可能决定将一半的数据集放入同一个聚类中。因此，数据库中的每篇文章都有 10000 篇相关文章。通过相似度搜索，您只需获取每个文档的前 10 个相似项即可！

最后但并非最不重要的：忘记用于集群的 PHP。它不是为此而设计的，而且性能也不够。但是您可能可以很好地从 PHP 访问 lucene 索引。

我相信您需要做出一些有关集群的设计决策，并从那里继续：

  1. 为什么要对文本进行聚类？您想将相关文档一起显示吗？您想通过集群探索您的文档语料库吗？
  2. 结果，你想要 平坦的 或者 等级制度 聚类？
  3. 现在我们有两个维度的复杂性问题：首先，您从文本中创建的特征的数量和类型 - 单个单词的数量可能有数万个。你可能想尝试一些 特征选择 - 比如取信息量最大的N个单词，或者出现次数最多的N个单词，忽略后 停用词.
  4. 其次，您希望最大限度地减少测量文档之间相似性的次数。正如布巴克正确指出的那样，检查所有文档对之间的相似性可能太过分了。如果聚类成少量簇就足够了，您可以考虑 K-均值聚类, ，这基本上是：选择初始 K 个文档作为聚类中心，将每个文档分配到最近的聚类，通过查找文档向量均值重新计算聚类中心，然后迭代。每次迭代仅花费 K* 文档数。我相信也有一些启发式方法可以减少层次聚类所需的计算数量。

什么是 similar_text 方法 #1 中调用的函数是什么样的？我认为你指的不是聚类，而是相似性度量。我无法真正改进 White Walloun 的 :-) 直方图方法 - 这是一个值得阅读的有趣问题。

然而你实现 check(), ，你必须使用它进行至少 200M 的比较（一半 20000^2）。“相关”文章的截止可能会限制您在数据库中存储的内容，但似乎过于武断，无法捕获所有有用的文本聚类，

我的方法是修改 check() 返回“相似性”指标（$prozent 或者 rtn）。写下 20K x 20K 矩阵到文件并使用外部程序执行聚类来识别每篇文章的最近邻居，您可以将其加载到 related 桌子。我会做聚类 R - 有一个不错的 教程 用于对正在运行的文件中的数据进行聚类 R 从 php.

许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top