全文检索、数据挖掘、推荐引擎系列6---基于KMean的文本自动算法

对一系列文章进行自动聚类可以做为基于内容的推荐引擎的基础，如果要实现文本的自动聚类，首先按照本系列5中所介绍的，对文章进行分词，然后计算得出文章的术语向量表示，即求文章中每个不同的单词以其所对应的TF*IDF，具体计算方法如5中所示。目前文本自动聚类算法中，用得最多是KMean算法，本文中就介绍KMean算法的应用。当然，KMean算法可以通过调用Mahout或WEKA这两个开源的机器学习算法库来实现，但是在这类算法中需要准备比较复杂的输入文件，预处理过程比较复杂，还有一点，我们可能在实际应用中要对KMean算法进行调整，这样自己编写KMean算法重加有助于我们对文本聚类算法的理解。

我们首先定义术语向量类，用来表示每篇文章的术语向量，还包括文档编号和类别编号，具体代码如下所示：

public class SepaTermVector {

public SepaTermVector() {

termVector = new Vector<TermInfo>();

}

public Vector<TermInfo> getTermVector() {

return termVector;

}

public void setTermVector(Vector<TermInfo> termVector) {

this.termVector = termVector;

}

public int getDocId() {

return docId;

}

public void setDocId(int docId) {

this.docId = docId;

}

public int getClusterId() {

return clusterId;

}

public void setClusterId(int clusterId) {

this.clusterId = clusterId;

}

/**

* 在使用文章的术语向量时，我们不希望在自动聚类过程中破坏文章的术语向量，所以需要完体复

* 制一份术语向量给自动聚类算法

*/

@Override

public SepaTermVector clone() {

SepaTermVector obj = new SepaTermVector();

obj.setDocId(docId);

obj.setClusterId(clusterId);

Vector<TermInfo> vt = new Vector<TermInfo>();

for (TermInfo item : termVector) {

vt.add(item);

}

obj.setTermVector(vt);

return obj;

}

private Vector<TermInfo> termVector = null;

private int docId = -1; // 所属的文章编号

private int clusterId = -1; // 所属的聚类编号

}

然后我们定义文本聚类的类，在该类中保存聚类编号，聚类的中心（本身是该聚类中所有文章术语向量的一个并集）和聚类中所包含的术语向量（每个术语向量代表一篇文章）。代码如下所示：

public class TextClusterInfo {

public TextClusterInfo(int clusterId) {

this.clusterId = clusterId;

items = new Vector<SepaTermVector>(); // 考虑线程安全性而牺牲部分性能

}

public void addItem(SepaTermVector item) {

items.add(item);

}

public void clearItems() {

items.clear();

}

/**

* 计算本类型的中心点

*/

public void computeCenter() {

if (items.size() <= 0) {

return ;

}

for (SepaTermVector item : items) {

if (null == center) {

center = item;

} else {

center = DocTermVector.calCenterTermVector(item, center);

}

}

}

public int getClusterId() {

return clusterId;

}

public void setClusterId(int clusterId) {

this.clusterId = clusterId;

}

public SepaTermVector getCenter() {

return center;

}

public void setCenter(SepaTermVector center) {

this.center = center;

}

public List<SepaTermVector> getItems() {

return items;

}

public void setItems(List<SepaTermVector> items) {

this.items = items;

}

private int clusterId = 0;

private SepaTermVector center = null;

private List<SepaTermVector> items = null;

}

接下来就是KMean自动聚类算法的工具类了，这里需要注意的是标准KMean自动聚类算法中，只需要指定初始的聚类数，然后由算法自动随机选择聚类中心，然后进行迭代，最终找出自动聚类结果。为了降低算法计算强度，我们在实际中不但给出了聚类数量，还给出了每个聚类的中心术语向量，即在大量文本中，找出每个聚类中的一篇代表性文章，作为参数传给自动聚类算法，在我们的实验数据中，可以很快达到收敛的效果，并且准确性很高。

KMean算分为下列几步：

根据所给出的聚类中心初始化聚类
清空每个聚类中属于该聚类的术语向量列表
针对每篇文章的术语向量，求出与其最近的聚类，将该术语向量加入到该聚类，如果上次循环中求出的聚类和本次不同，则表明还需继续运行聚类算法
计算加入新术语向量后的聚类新的中心
判断是否还需要运行自动聚类算法，若需要则回到2

衡量术语向量与聚类的相似度采用点积形式，就是术语向量与聚类中心所代表的术语向量相同单词权值之和，值越大代表二者越相像，具体代码如下所示：

public static double getDotProdTvs(SepaTermVector stv1, SepaTermVector stv2) {

double dotProd = 0.0;

Hashtable<String, Double> dict = new Hashtable<String, Double>();

for (TermInfo info : stv2.getTermVector()) {

dict.put(info.getTermStr(), info.getWeight());

}

for (TermInfo item : stv1.getTermVector()) {

if (dict.get(item.getTermStr())!= null) {

dotProd += item.getWeight() * dict.get(item.getTermStr()).doubleValue();

}

}

return dotProd;

}

下面KMean算法实现类的代码：

public class TextKMeanCluster {

/**

* 在通常情况下，我们需要将待分类文本分出大致的类别来，即确定numClusters。在有些情况下，还可以指定某个类别中

* 的一篇文章。这样可以避免算法不收敛时聚类的质量问题。

* @param docTermVectors 需要进行聚类的术语向量

* @param numClusters 聚类数量

*/

public TextKMeanCluster(List<SepaTermVector> docTermVectors, int numClusters) {

this.docTermVectors = docTermVectors;

this.numClusters = numClusters;

}

/**

* 对文章进行聚类

* @param initCenters 聚类的中心点

* @return 聚类结果

*/

public List<TextClusterInfo> cluster(List<SepaTermVector> initCenters) {

if (docTermVectors.size() <= 0) {

return null;

}

initClusters(initCenters);

boolean hadReassign = true;

int runTimes = 0;

while ((runTimes<=MAX_KMEAN_RUNTIMES) && (hadReassign)) {

System.out.println("runTimes=" + runTimes + "!");

clearClusterItems();

hadReassign = reassignClusters();

computeClusterCenters();

runTimes++;

}

return clusters;

}

/**

* 本算法中采用给定聚类中心的方式，但是在标准KMean算法中是随机选择聚类中心的，随机选择收敛较慢。

*/

public void initClusters(List<SepaTermVector> initCenters) {

clusters = new Vector<TextClusterInfo>();

TextClusterInfo cluster = null;

int i = 0;

for (SepaTermVector stv : initCenters) {

cluster = new TextClusterInfo(i++);

cluster.setCenter(stv);

clusters.add(cluster);

}

}

/**

* 求出所有文章术语向量的新聚类，如果与上次求出的聚类不同，则表明需要继续运行

* @return 真时代表需要继续运行自动聚类算法

*/

public boolean reassignClusters() {

int numChanges = 0;

TextClusterInfo newCluster = null;

for (SepaTermVector termVector : docTermVectors) {

newCluster = getClosetCluster(termVector);

if ((termVector.getClusterId()<0) || termVector.getClusterId() != newCluster.getClusterId()) {

numChanges++;

termVector.setClusterId(newCluster.getClusterId());

}

newCluster.addItem(termVector);

//System.out.println("reassignCluster:cid=" + newCluster.getClusterId() + ":size=" +

//newCluster.getItems().size());

}

return (numChanges>0);

}

/**

* 求出加入新述语向量后聚类的新中心

*/

public void computeClusterCenters() {

for (TextClusterInfo cluster : clusters) {

cluster.computeCenter();

}

}

/**

* 清除该聚类的术语向量列表

*/

public void clearClusterItems() {

for (TextClusterInfo cluster : clusters) {

cluster.clearItems();

}

}

/**

* 在标准KMean算法中随机抽取聚类中心的算法，在本类中该方法暂时未使用

* @param usedIndex

* @return

*/

private SepaTermVector getTermVectorAtRandom(Hashtable<Integer, Integer> usedIndex) {

boolean found = false;

int index = -1;

while (!found) {

index = (int)Math.floor(Math.random() * docTermVectors.size());

while (usedIndex.get(index) != null) {

index = (int)Math.floor(Math.random() * docTermVectors.size());

}

usedIndex.put(index, index);

return docTermVectors.get(index).clone(); // 重新复制一份，不破坏原来的拷贝

}

return null;

}

/**

* 对术语向量和所有聚类中心所代表的术语向量做点积，取值最大的聚类为该文档的聚类

* @param termVector 术语向量

* @return 与该术语向量最接近的聚类

*/

private TextClusterInfo getClosetCluster(SepaTermVector termVector) {

TextClusterInfo closetCluster = null;

double dotProd = -1.0;

double maxDotProd = -2.0;

double dist = -1.0;

double smallestDist = Double.MAX_VALUE;

for (TextClusterInfo cluster : clusters) {

//dist = DocTermVector.calTermVectorDist(cluster.getCenter(), termVector);

dotProd = DocTermVector.getDotProdTvs(cluster.getCenter(), termVector);

//System.out.println("getClosetCluster:dotProd=" + dotProd + "[" + maxDotProd + "] docId="

//+ termVector.getDocId() + "!");

//if (dist < smallestDist) {

if (dotProd > maxDotProd) {

//smallestDist = dist;

maxDotProd = dotProd;

closetCluster = cluster;

}

}

return closetCluster;

}

public final static int MAX_KMEAN_RUNTIMES = 1000;

private List<SepaTermVector> docTermVectors = null; // 所有文章的术语向量

private List<SepaTermVector> centers = null;

private List<TextClusterInfo> clusters = null; // 所有聚类

private int numClusters = 0;

}

具体的调用方法如下所示：

DocTermVector.init();

// 技术类

int doc1Id = FteEngine.genTermVector(-1, "Java语言编程技术详解", "", "", "", "");

int doc2Id = FteEngine.genTermVector(-1, "C++语言编程指南", "", "", "", "");

int doc4Id = FteEngine.genTermVector(-1, "Python程序设计教程", "", "", "", "");

// 同性恋

int doc3Id = FteEngine.genTermVector(-1, "同性恋网站变身电子商务网站", "", "", "", "");

int doc5Id = FteEngine.genTermVector(-1, "同性恋网站大全", "", "", "", "");

int doc6Id = FteEngine.genTermVector(-1, "男同性恋特点", "同性恋", "", "", "");

// 天使投资

int doc7Id = FteEngine.genTermVector(-1, "天使投资社交网络", "", "", "", "");

int doc8Id = FteEngine.genTermVector(-1, "天使投资发展概况", "", "", "", "");

int doc9Id = FteEngine.genTermVector(-1, "著名天使投资人和天使投资机构", "", "", "", "");

// 环境保护

int doc10Id = FteEngine.genTermVector(-1, "环境保护技术分析", "", "", "", "");

int doc11Id = FteEngine.genTermVector(-1, "环境保护与碳关税分析", "", "", "", "");

int doc12Id = FteEngine.genTermVector(-1, "环境保护与我国经济发展趋势", "", "", "", "");

FteEngine.genTermVector(-1, "VB编程指南", "", "", "", "");

FteEngine.genTermVector(-1, "天使投资社区天使街正式上线运行", "", "", "", "");

FteEngine.genTermVector(-1, "年度编程语言评选活动", "", "", "", "");

List<SepaTermVector> centers = new Vector<SepaTermVector>();

centers.add(DocTermVector.getDocTermVector(0));

centers.add(DocTermVector.getDocTermVector(3));

centers.add(DocTermVector.getDocTermVector(6));

centers.add(DocTermVector.getDocTermVector(9));

TextKMeanCluster tkmc = new TextKMeanCluster(DocTermVector.getDocTermVectors(), 4);

List<TextClusterInfo> rst = tkmc.cluster(centers);

String lineStr = null;

for (TextClusterInfo info : rst) {

lineStr = "" + info.getClusterId() + "(" + info.getItems().size() + "):";

for (SepaTermVector tvItem : info.getItems()) {

lineStr += " " + tvItem.getDocId();

}

lineStr += "^_^";

System.out.println(lineStr);

}

运行的结果为：

0(5): 0 1 2 12 14^_^

1(3): 3 4 5^_^

2(4): 6 7 8 13^_^

3(3): 9 10 11^_^

由上面的结果来看，实现了基本正确的聚类。