PCA-KDKM算法及其在微博舆情领域的运用。

简介：
针对K-means算法由于其随机选取聚类中心可能导致聚类结果不稳定这一局限性，本文提出了一种新的算法——PCA-KDKM算法。该算法首先利用主成分分析法对数据集的各个属性进行降维，从而提取出最具代表性的主属性。随后，通过分析k′dist曲线，自动确定最佳的聚类数量k值。接着，计算平缓曲线上数据对象的均值，并从中选取一个作为初始聚类中心。为了实现高效的聚类过程，该算法融合了基于密度和最大最小距离的算法思想，并结合类间距离和类内聚类的概念来构建一个用于评价聚类质量的综合函数。为了验证该算法的有效性，我们将其与K-means、KNE-KM、QMC-KM、CFSFDP-KM等经典算法在UCI数据集上进行了聚类实验。实验结果清晰地表明，PCA-KDKM算法能够产生更加稳定的聚类结果，并且展现出更高的聚类准确率。进一步地，我们将PCA-KDKM算法应用于微博舆情分析领域，选取了不同类别的大量数据进行聚类分析。实验证实，相比于其他方法，PCA-KDKM算法在微博舆情分析中表现出更高的准确性和稳定性，从而能够更快速地识别和追踪热点舆情事件。