一种受限非负矩阵分解方法

提出一种获取潜在语义的受限非负矩阵分解方法 .通过在非负矩阵分解方法的目标函数上增加 3个约束条件来定义受限非负矩阵分解方法的目标函数 ,给出求解受限非负矩阵分解方法目标函数的迭代规则 ,并证明迭代规则的收敛性 .与非负矩阵分解方法相比 ,受限非负矩阵分解方法能获取尽可能正交的潜在语义 .实验表明 ,受限非负矩阵分解方法在信息检索上的精度优于非负矩阵分解方法 .

基于NMF的文本聚类方法

提出一种基于非负矩阵分解的文本聚类方法。该方法利用NMF分解项-文本矩阵来降低特征空间维数,并得到文本向量在概念空间上的表示,在此基础上应用聚类算法。实验表明,基于NMF的文本聚类方法能够提高文本聚类精度。

球型模糊c均值算法在中文文本聚类中的应用

一般的聚类算法只能将给定的文本归到一个类,但实际的文本往往属于多个类。提出一种基于球形的模糊c-均值算法的中文文本聚类方法。聚类方法仅考虑文本向量的方向而不考虑文本向量的大小。同时,聚类方法能充分考虑文本隶属于类的程度,并能通过用户给定的阈值将给定的文本归到多个类。实验表明,球形的模糊c-均值算法不仅具有好的聚类精度,而且能找出属于多个类的文本。

基于NMF的用户模板构造方法

文本过滤是网络安全领域的一个重要研究课题.基于内容的文本过滤关键在于建立语义层次上的用户模板.本文提出一种基于非负矩阵分解(Non-negative Matrix Factorization,NMF)的用户模板构造方法.该方法应用NMF算法分解项-文本矩阵来获取项之间的相关性.在此基础上,引入语义向量和权重向量的概念,并通过定义语义向量的类别区分度来提取用户模板.实际表明,与基于奇异值分解的潜在语义索引方法相比,该方法不仅较大地提高了过滤精度,而且具有计算速度快、占用存储空间较少的优点.