基于网格和密度比的DBSCAN聚类算法研究

DBSCAN已被广泛应用到计算机视觉处理及图像处理中的数据压缩和信息检索等领域。论文针对DBSCAN算法在数据分布不均匀时,使用全局阈值难以识别数据集中所有簇的问题,提出基于网格划分和密度比聚类的DBSCAN算法。该算法首先通过自适应多分辨率的网格划分思想把数据划分到多个网格空间中,利用所划分的网格加快查找到类簇的峰值和低谷;再利用密度估计来计算密度,从而快速确定全局阈值,并使用该全局阈值对数据集进行有效识别。通过对比实验表明,所提算法能够有效对密度不均匀的数据进行聚类,并具有较高的效率。

融合多元评论信息的用户情感分类方法

随着电商经济发展迅猛,各类电商平台为提升服务品质非常重视对用户评论信息的收集、分析和利用.但各电商平台都存在“刷评论”现象,虚假评论、默认好评等因素导致平台无法获取用户的真实情感,严重影响服务质量的提升.为了更加准确地获取用户的真实情感,提出一种融合多元评论信息的用户情感分类方法.首先,对评论中的文本和图片进行分类,构建去除虚假评论的图文数据集;其次,对原始和追加评价文本进行分割和重构;最终,将预处理后的原始评论、原始图片、追加评论、追加图片等多元评论信息输入到多通道卷积神经网络中,经训练后得到用户情感分类模型.经对比实验验证,融合多元评论信息的用户情感分类方法准确率可以达到96%,优于现有主流情感分类方法.