基于 K-means 算法实现的文本聚类（干货）

简介

本资源文件提供了一个基于K-means算法的文本聚类实现。K-means算法是一种无监督的机器学习方法，通过多次求均值来实现数据的聚类。该实现步骤详细，包括文本预处理、特征提取、K-means聚类以及结果评估等。

主要内容

1. 文本预处理：
   • 使用jieba分词对文本进行切词。
   • 去除停用词，包括空格、符号、数字以及语气词等。
2. 特征提取：
   • 构建向量空间模型（VSM），使用TF-IDF方法计算文本特征。
3. K-means聚类：
   • 使用K-means算法对文本进行聚类。
   • 通过多次迭代更新中心点，直至聚类结果稳定。
4. 结果评估：
   • 对新文档进行分类，并计算分类成功率。
   • 经过多次测试，分类正确率大致在86%左右。

使用方法

1. 下载资源文件。
2. 按照README.md中的步骤进行文本预处理、特征提取和聚类。
3. 运行代码进行文本聚类，并查看分类结果。

注意事项

• 本实现为无监督学习方法，聚类数目需事先指定。
• 结果评估中，类别名由聚类结果中最多的一类文本命名，以测量结果的准确性。

依赖库

• jieba
• sklearn

参考

本资源文件的实现参考了CSDN博客文章《基于 K-means 算法实现的文本聚类（干货）》。

下载链接

基于K-means算法实现的文本聚类干货