[發明專利]數據挖掘方法、裝置、終端設備和可讀存儲介質

在審

• 申請號: 202010584569.2
• 申請日: 2020-06-23
• 公開（公告）號: CN111737469A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 衣楊;佘瀅;宋嘉倫;趙福利;林倩青;周曉聰
• 申請（專利權）人: 中山大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/289;G06F40/216
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 梁韜

本發明實施例公開了數據挖掘方法、裝置、終端設備和可讀存儲介質，該方法包括：對待分析數據進行處理以獲取標準數據集；當以所述標準數據集作為待分類的目標集時，在目標集中選取一個數據樣本作為聚類中心；以目標集的聚類中心和距離所述目標集的聚類中心最遠的數據樣本為中心執行分類操作；根據預設的誤差平方和公式分別計算各個類別的緊湊度；以緊湊度最小的類別作為新的目標集，重復執行所述分類操作，直至分類數目達到預設數目。本技術方案誤差平方和公式分別計算各個類別的緊湊度，以緊湊度最小的類別作為新的目標集繼續執行分類操作，避免分類過程陷入局部最優解的情況，提高數據處理的準確性。

技術領域

本發明涉及數據挖掘領域，尤其涉及一種數據挖掘方法、裝置、終端設備和可讀存儲介質。

背景技術

隨著網絡技術的發展和應用，信息資源爆炸式增長，文本挖掘、信息過濾和信息搜索的研究出現了前所未有的前景。因此，聚類技術正成為文本信息挖掘技術的核心。文本聚類是文本挖掘中用來發現數據分布及其隱含數據模式的一項重要技術。目前，在數據挖掘領域，一些簡單的聚類算法由于原理簡單，易于實現，收斂速度快等優點而得到廣泛應用，然而這種算法對不同的初始值會導致不同的聚類結果，容易陷入局部最小值，使得聚類結果并不理想，不利于對大量的數據信息進行有效準確的信息挖掘和客觀分析。

發明內容

鑒于上述問題，本發明提出一種數據挖掘方法、裝置、終端設備和可讀存儲介質。

本發明的一個實施例提出一種數據挖掘方法，該方法包括：

對待分析數據進行處理以獲取標準數據集；

當以所述標準數據集作為待分類的目標集時，在目標集中選取一個數據樣本作為聚類中心；

以目標集的聚類中心和距離所述目標集的聚類中心最遠的數據樣本為中心執行分類操作；

根據預設的誤差平方和公式分別計算各個類別的緊湊度；

以緊湊度最小的類別作為新的目標集，重復執行所述分類操作，直至分類數目達到預設數目。

上述實施例所述的數據挖掘方法，以目標集的聚類中心和距離所述目標集的聚類中心最遠的數據樣本為中心執行分類操作，包括：

根據距離度量公式計算所述目標集中各個數據樣本與所述目標集的聚類中心之間的第一距離，以及所述目標集中各個數據樣本與所述距離所述目標集的聚類中心最遠的數據樣本之間的第二距離；

將所述第一距離小于所述第二距離的數據樣本作為一類；

將所述第一距離大于等于所述第二距離的數據樣本作為另一類。

上述實施例所述的數據挖掘方法，通過以下方式確定距離所述目標集的聚類中心最遠的數據樣本：

通過距離度量公式計算所述目標集中各個數據樣本與所述目標集的聚類中心之間的距離；

選取距離最大的數據樣本作為距離所述目標集的聚類中心最遠的數據樣本。

上述實施例所述的數據挖掘方法，所述距離度量公式如下：

dis代表兩個數據樣本之間的距離，A_i代表一個數據樣本的權值向量的第i個坐標點，B_i代表另一個數據樣本的權值向量的第i個坐標點，n代表權值向量中坐標點數目。

上述實施例所述的數據挖掘方法，所述誤差平方和公式如下：

ASSE代表所述誤差平方和，用于反映以c_l作為聚類中心的類別的緊湊度，c_k代表另一個聚類中心，m代表以c_l作為聚類中心的類別中的數據樣本數目，x_j代表以c_l作為聚類中心的類別中的第j個數據樣本，r代表正則化常數。