 |
 |
|
| |
数据挖掘是从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示三个步骤。数据准备是从各种数据源中选取和集成用于数据挖掘的数据；规律寻找是用某种方法将数据中的规律找出来；规律表示是用尽可能符合用户习惯的方式（如可视化）将找出的规律表示出来。数据挖掘在自身发展的过程中，吸收了数理统计、数据库和人工智能中的大量技术。 |
|
|
| |
我是研二的学生，因为突然转了研究方向，开题要定再聚类上，但是在此之前，我对聚类了解的较少，12月10号就要交开题报告，仓促之下，只能向你请求帮助了。 我想让你帮我指指： “做聚类的研究点在什么上？” ，我初步打算做基于语义的聚类，可是现在做文本聚类的人较多，自己想定在语义聚类可行吗？那么面临的困难和它的前景又可能是怎么样？（我们这边的实验室还是主要处理网页的文本信息。） 对于打扰您的时间我感到很抱歉，但是现在时间仓促，自己又所知甚少，只能咨询您了，万分感谢。 |
| |
答：
聚类的研究范围很广，主要是面对数据源的不同而有不同的新问题。比如：文本聚类，图象聚类，图聚类，生物序列聚类等都有自己独特的方法。聚类的核心问题是相似性度量的定义和应用。至于文本聚类，由于本人的研究方向不是这个，只能给点我了解的简单意见：现在文本聚类的基本思想是把文本表示为高维空间的TFIDF，在此空间上进行聚类。但由于把文本表示为TFIDF后文本中词条的顺序和语义全部丢失，所以这种基本方法对语义聚类是不适合的。要想捕捉文本语义的相似性，就得在基于本体得基础上，用人工智能或机器学习的方法进行研究，但由于受限于自然语言理解研究的瓶颈，基于语义聚类还不是很理想的。所以研究空间还是很大的。 |
| |
|
 |
欢迎读者将在数据挖掘领域的问题发送email： |
|
dmgroup@datamining.cn 我们将在尽快的时间 |
| |
| |
|
|
征稿中…… |
|
|
| |
