[發明專利]基于K-Means算法的數據聚類方法和裝置

有效

• 申請號: 201610255527.8
• 申請日: 2016-04-21
• 公開（公告）號: CN107305637B
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 胡斐然;王楠楠;曹俊
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 羅振安

本發明公開了一種基于K?Means算法的數據聚類方法和裝置，屬于計算機技術領域。方法包括：聚類服務器接收聚類請求，所述聚類請求包括最大計算量、類別數量K和待聚類的數據集；聚類服務器根據最大計算量，確定最大計算量對應的調整因子；并從數據集中隨機選擇一個數據；聚類服務器根據調整因子和隨機選擇的數據，從數據集中選擇K?1個數據，隨機選擇的數據和K?1個數據構成數據集的K個初始聚類中心；聚類服務器根據這K個初始聚類中心，對數據集中的N個數據進行聚類。本發明可以根據最大計算量自動調整聚類效率，從而可以提高聚類效率。

技術領域

本發明涉及計算機技術領域，特別涉及一種基于K-Means算法的數據聚類方法和裝置。

背景技術

K-Means算法是最為經典的基于距離的聚類算法，采用距離作為相似性的評價指標，即認為兩個對象的距離越近，這兩個對象相似度就越大。

基于K-means算法對數據進行聚類的過程可以為：將待分類的數據組成一個數據集以及指定所要分成的類別數目K，從數據集中隨機選擇K個數據作為K個類別的初始聚類中心，對于數據集中除K個初始聚類中心之外的每個數據，分別計算該數據與K個初始聚類中心中的每個初始聚類中心之間的距離，并將該數據歸到與該數據距離最近的初始聚類中心對應的類別中，然后根據K個類別中包括的數據，重新計算K個類別的新的聚類中心，然后將數據集中的數據重新進行分類，直到K個類別中的每個類別的相鄰兩次聚類中心之間的距離在預設距離內。

現有技術至少存在如下技術問題：

由于K個類別的初始聚類中心是隨機選擇的，因此，當K較大和/或數據集中包括的數據較多，計算量會增大，導致聚類效率低。

發明內容

為了解決現有技術的問題，本發明提供了一種基于K-Means算法的數據聚類方法和裝置。技術方案如下：

本發明的第一方面，提供了一種計算設備，所述計算設備用于將待處理的數據集包括的N個數據聚類至K個類別中，所述N為大于K的整數，所述K為預設的類別數量且為大于或等于2的整數，K個類別中的每個類別對應一個初始聚類中心；所述計算設備包括通信接口、處理器和存儲器，所述通信接口分別與所述處理器和存儲器建立通信連接，所述處理器與所述存儲器建立通信連接；

所述通信接口，用于接收聚類請求，所述聚類請求包括最大計算量、所述K和所述數據集；

所述存儲器，用于存儲所述最大計算量、所述K和所述數據集；

所述存儲器，還用于存儲程序指令；

所述處理器，用于讀取所述存儲器中的程序指令，以執行以下的步驟；

所述處理器，還用于根據所述最大計算量，確定所述最大計算量對應的調整因子；

所述處理器，還用于從所述存儲器中獲取所述數據集，并從所述數據集中隨機選擇一個數據；

所述處理器，還用于根據所述調整因子和所述隨機選擇的數據，從所述數據集中選擇K-1個數據，所述隨機選擇的數據和所述K-1個數據構成所述數據集的K個初始聚類中心；

所述處理器，還用于根據所述K個初始聚類中心，對所述數據集中的N個數據進行聚類。

在本發明實施例中，由于根據最大計算量對應的調整因子以及隨機選擇的數據，選擇K-1個數據，隨機選擇的數據和K-1個數據構成數據集的K個初始聚類中心，因此，本發明可以根據最大計算量自動調整聚類效率，從而可以提高聚類效率。

結合第一方面，在第一方面的第一種實現方式中，所述聚類請求中還包括所述數據集的訓練次數和數據大小；

所述處理器，用于根據所述最大計算量，確定所述最大計算量對應的調整因子，具體可以通過如下步驟實現：