开题报告新版.pdfVIP

开题报告新版--第1页

1.绪论

1.1系统设计背景及意义

网络“树洞”作为一种匿名公共倾诉平台，在许多地方尤其是某些高校的影

响也越来越大，而作为一种匿名的平台，微博的公布者们也不用去顾虑所公布的

微博被相识的人们发现，在某些方面树洞微博上的内容会与自己在本人账号上公

布的微博有一定的差异。树洞微博发展至今已近不单单只是一种匿名的公共倾诉

平台了，微博上的内容除了个人所倾吐的隐私以外，尚有某些其他的诸如公告之

类的公共信息，甚至尚有某些毫无意义的符号或者是文字。这些对于分析都导致

了很大的干扰。

为了更好地对微博的内容以及树洞微博与本人微博的差异性进行研究，为了

从这些微博中提取关键的信息，设计一种聚类系统是很有必要的。一段微博常常

是一段话，这一段话里面故意义的能对概括微博内容有协助的往往只有几种词。

我们要对这些树洞微博进行分析研究，所需要的就是那些有着实际意义的词。设

计一种聚类系统，可以对微博内容进行分词，然后通过度词的成果进行聚类，聚

类的成果对于我们的

树洞的寓意源于西方古代寓言故事，故事描述的是一种国王长了一对驴耳朵，

从而威胁他的剪发师说假如讲出这个秘密就会被砍头。于是剪发师把秘密埋在了

开题报告新版--第1页

开题报告新版--第2页

心里，时间一长就生病了，左后跑着森林里面对着树洞说出了这个秘密，得到了

缓和。可是自此后来只要将树上的叶子放在嘴边吹一下，就会发出“国王长了驴

耳朵”的声音。于是树洞逐渐有了“倾吐不能说的秘密”的地方的寓意。

1.2国内外研究现实状况

文本聚类是指按照一定的原则将一种给定的文本集合分割成不一样的类簇，

使得同一种类簇中的文本间尽量的相似，不能类簇文本间尽量相异。文本聚类技

术通过近些年发展已经相称成熟，常用的文本聚类算法分为如下几大类基于划分

的措施、基于层次的措施、基于密度的措施、基于模型的措施和基于网格的措施。

1）基于划分的措施

划分的措施的基本思想是：根据指定的相似度计算方案，对由N个数据对象

的集合进行迭代分析，将其分割为K（K的最大值为n，最小值为1）个类簇，并

使这些类簇满足如下条件：a.所有的类簇都至少包括一种数据对象；b.每个对象

属于且仅属于一种类簇。即所有的数据对象都被划分到类簇中，且任意两个类簇

之间的交集为空。在分割法的迭代中，迭代的终止条件是聚类函数的收敛。这一

类措施在文本聚类中应用的尤其普遍。其中具有代表性的算法有K-means算法、

K-Modes算法、CLARANS算法等。

该措施的长处在于算法复杂度低，处理速度快，不过需要在聚类前制定聚类

开题报告新版--第2页

开题报告新版--第3页

类簇的数量K，这个K值是难以确定的，直接会影响到聚类的成果。

2）基于层次的措施

与基于划分的措施不一样，基于层次的聚类措施得到的聚类成果是一种有层

次构造关系的类簇集合。按照层次分解的次序，该类措施又分为凝聚是层次聚类

算法和分裂式层次聚类算法。

凝聚是层次聚类措施：首先将每个数据对象作为一种单独的类簇，然后合并

相似的两个类簇并重新计算合并生成的类簇和其他类簇间的相似度，反复上一步

直到满足给定的终止条件或者只剩一种类簇。常见的基于凝聚式层次聚类措施有

GAC算法和CURE算法。

分列式层次聚类算法：首先将所有的数据对象归为一种类簇，然后按照一定

的规则对类簇进行细分，懂得满足给定的终止条件或者所有类簇中只有一种数据

对象。其中经典的代表算法是BIRCH算法。

该聚类措施的长处在于，进行聚类时候不需要预先指定类簇的数量，合用于

任何分布形