基于神经网络语言模型的中文新闻文本聚类算法

一、新闻文本集 

      其中 

    通过TF-IDF排序 中的词（由大到小），选择其中的 t 个词作为关键字，，是对应关键字的TF-IDF值。

二、神经网络语言模型

输入：该词的上下文中相邻的几个词向量（词袋模型）

输出：p(wi | context) ，该词的词向量。

通过神经网络语言模型，可以得到新闻词集合 W 中每个词  的词向量；也就是得到了关键字集合 中的每个关键字 的词向量 。

三、用模糊的K-means聚类关键字集合

说明：因为每个词可能对应多个文本，所以模糊的K-means是比较合适的算法。初始类别的选择是提高精确度的关键因素。我们能够从关键字集合 G 中选择一个标记的词集 B，每个标记的词代表一个关键字的类别，标记词集B的大小就是聚类的类别数，初始值，就是这些标记的词，用表示，标记词的词向量。（其中的K值，是认为设定的，实验中需要设定不同的值，分析比较，选择最合理的一个K值）

     模糊的K-means算法过程如下：

    1. 对初始的类别 C1，C2，……CK，用上面的标记的词去表示类别中心，每个标记的词表示一个类别，同时设置一个迭代的次数。

    2. 更新 的值，其中表示词 i 属于类别 j 的概率，在每次迭代中，计算每个关键字属于每个类别的概率，根据下面的公式：

                                                                         

        

     其中的距离的计算公式，用的是余弦距离：

                  

      3. 根据每个关键字属于类别  的概率和关键字的词向量，计算该类别的中心。并作为该类别的代表向量：

                                                                                                     

     其中的 。

     4. 如果迭代的次数没有超过第一步设置的值，跳到第2 步，重新执行2-4，否则，停止。

 当迭代停止后，得到聚类的结果，其表示形式，每个类别表示一个集合   ，用语言表示就是关键字，属于类别  的概率是。（文档集的每个关键字都以一定的概率属于每个类别。可能有的概率值为0）

四、基于关键字集的聚类结果的文本聚类

   文档集的关键字聚类结果，是文本聚类的基础，根据下面的公式计算每个文档属于每个类别的概率，选择概率最大的类别作为，该文档所属的类别：

                                             

其中的 表示文本 属于类别 的概率，最后我们得到，其中  。

 

五、模型的评估方法

    使用准去率和召回率，以及F-measure值，来评价模型

                                                                

                                            

                                                   

 其中的 是类别 i 的文本数量；是应该属于类别 j 但是被分到类别 i 的文本数量。

    基于神经网络语言模型的中文新闻文本聚类算法的优点：

 1.该算法比其他算法（基于LDA）的运行时间快两倍多。

 2.每个类别的关键字，能够很好的表示类比的一些属性。

 3.适合于处理大规模的中文语料库。

  

文献：

 A Text Clustering Approach of Chinese News Based on Neural Network Language Model

https://link.springer.com/article/10.1007%2Fs10766-014-0329-2