K-means和SOM在商品评论中的情感词聚类对比

为了选取适合商品评论中情感词聚类的方法,利用K-means和SOM两种算法分别进行聚类分析;以商品评论为研究对象,通过对商品评论文本进行分词、向量化表示等步骤得到情感词向量,采用欧氏距离进行相似度聚类计算;经过对两种算法可视化结果和准确率的对比分析,发现SOM算法的聚类结果更均匀,准确率更高;实验表明,SOM算法的情感词聚类效果优于Kmeans算法,更适合于商品评论情感词聚类。

基于SOM-K-means算法的商品评论研究

为了更有效率地对商品评论聚类出相应的评价标签,运用SOM-K-means算法,对商品评论中的情感词进行聚类分析。该算法综合了SOM算法和K-means算法的优点,在聚类过程中减少了人工干预,具有较强的自适应性。实验结果显示,在数据量小于10000条时,SOM-K-means算法的平均运行时间为0.3s,而市场上主流的LDA算法平均运行时间为3.5s,SOM-K-means算法的平均运行效率是其12倍左右,这为追求效率和性能最佳的电商平台提供了一种新的聚类思路。