CN107305637B - 基于K-Means算法的数据聚类方法和装置 - Google Patents
基于K-Means算法的数据聚类方法和装置 Download PDFInfo
- Publication number
- CN107305637B CN107305637B CN201610255527.8A CN201610255527A CN107305637B CN 107305637 B CN107305637 B CN 107305637B CN 201610255527 A CN201610255527 A CN 201610255527A CN 107305637 B CN107305637 B CN 107305637B
- Authority
- CN
- China
- Prior art keywords
- data
- clustering
- category
- data set
- final
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000004891 communication Methods 0.000 claims description 25
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于K‑Means算法的数据聚类方法和装置,属于计算机技术领域。方法包括:聚类服务器接收聚类请求,所述聚类请求包括最大计算量、类别数量K和待聚类的数据集;聚类服务器根据最大计算量,确定最大计算量对应的调整因子;并从数据集中随机选择一个数据;聚类服务器根据调整因子和随机选择的数据,从数据集中选择K‑1个数据,随机选择的数据和K‑1个数据构成数据集的K个初始聚类中心;聚类服务器根据这K个初始聚类中心,对数据集中的N个数据进行聚类。本发明可以根据最大计算量自动调整聚类效率,从而可以提高聚类效率。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种基于K-Means算法的数据聚类方法和装置。
背景技术
K-Means算法是最为经典的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,这两个对象相似度就越大。
基于K-means算法对数据进行聚类的过程可以为:将待分类的数据组成一个数据集以及指定所要分成的类别数目K,从数据集中随机选择K个数据作为K个类别的初始聚类中心,对于数据集中除K个初始聚类中心之外的每个数据,分别计算该数据与K个初始聚类中心中的每个初始聚类中心之间的距离,并将该数据归到与该数据距离最近的初始聚类中心对应的类别中,然后根据K个类别中包括的数据,重新计算K个类别的新的聚类中心,然后将数据集中的数据重新进行分类,直到K个类别中的每个类别的相邻两次聚类中心之间的距离在预设距离内。
现有技术至少存在如下技术问题:
由于K个类别的初始聚类中心是随机选择的,因此,当K较大和/或数据集中包括的数据较多,计算量会增大,导致聚类效率低。
发明内容
为了解决现有技术的问题,本发明提供了一种基于K-Means算法的数据聚类方法和装置。技术方案如下:
本发明的第一方面,提供了一种计算设备,所述计算设备用于将待处理的数据集包括的N个数据聚类至K个类别中,所述N为大于K的整数,所述K为预设的类别数量且为大于或等于2的整数,K个类别中的每个类别对应一个初始聚类中心;所述计算设备包括通信接口、处理器和存储器,所述通信接口分别与所述处理器和存储器建立通信连接,所述处理器与所述存储器建立通信连接;
所述通信接口,用于接收聚类请求,所述聚类请求包括最大计算量、所述K和所述数据集;
所述存储器,用于存储所述最大计算量、所述K和所述数据集;
所述存储器,还用于存储程序指令;
所述处理器,用于读取所述存储器中的程序指令,以执行以下的步骤;
所述处理器,还用于根据所述最大计算量,确定所述最大计算量对应的调整因子;
所述处理器,还用于从所述存储器中获取所述数据集,并从所述数据集中随机选择一个数据;
所述处理器,还用于根据所述调整因子和所述随机选择的数据,从所述数据集中选择K-1个数据,所述随机选择的数据和所述K-1个数据构成所述数据集的K个初始聚类中心;
所述处理器,还用于根据所述K个初始聚类中心,对所述数据集中的N个数据进行聚类。
在本发明实施例中,由于根据最大计算量对应的调整因子以及随机选择的数据,选择K-1个数据,随机选择的数据和K-1个数据构成数据集的K个初始聚类中心,因此,本发明可以根据最大计算量自动调整聚类效率,从而可以提高聚类效率。
结合第一方面,在第一方面的第一种实现方式中,所述聚类请求中还包括所述数据集的训练次数和数据大小;
所述处理器,用于根据所述最大计算量,确定所述最大计算量对应的调整因子,具体可以通过如下步骤实现:
所述处理器,还用于根据所述训练次数、所述数据大小和所述K,确定对所述数据集包括的N个数据进行聚类时的中心点初始化计算量和迭代训练计算量;
所述处理器,还用于根据所述中心点初始化计算量、所述迭代训练计算量和所述最大计算量,确定所述最大计算量对应的调整因子。
在本发明实施例中,由于根据数据集的训练次数、数据大小、K和最大计算量,确定最大计算量对应的调整因子,该调整因与该数据集更匹配,从而该调整因子更准确,可以进一步提高聚类效率。
结合第一方面或第一方面的第一种实现方式,在第一方面的第二种实现方式中,所述处理器,用于根据所述调整因子和所述随机选择的数据,从所述数据集中选择K-1个数据,具体可以通过如下步骤实现:
所述处理器,还用于根据所述调整因子,从所述数据集中选择M个数据,所述M为大于K的整数;
所述处理器,还用于根据所述随机选择的数据和所述M个数据,从所述M个数据中选择与所述随机选择的数据之间的距离最远的K-1个数据。
在本发明实施例中,根据调整因子选择K个初始聚类中心,从而选择的K个初始聚类中心之间的距离较远,从而根据该K个初始聚类中心对数据集中的数据进行聚类时,迭代训练计算量较少,从而提高了聚类效率。
结合第一方面或第一方面的任一种实现方式,在第一方面的第三种实现方式中,所述处理器,用于根据所述K个初始聚类中心,对所述数据集中的N个数据进行聚类,具体可以通过如下步骤实现:
所述处理器,还用于根据所述K个初始聚类中心和所述数据集中的N个数据,确定K个最终聚类中心;
对于所述数据集中的任一数据,所述处理器,还用于分别计算所述任一数据与所述K个最终聚类中心中的每个最终聚类中心之间的距离;
所述处理器,还用于从所述K个最终聚类中心中选择与所述任一数据之间的距离最小的最终聚类中心,将所述任一数据聚类到所述选择的最终聚类中心对应的类别中。
结合第一方面或第一方面的任一种实现方式,在第一方面的第四种实现方式中,所述处理器,用于分别计算所述任一数据与所述K个最终聚类中心中的每个最终聚类中心之间的距离,具体可以通过如下步骤实现:
当所述任一数据包括文本类型字段和数字类型字段时,所述处理器,还用于获取所述任一数据包括的每个分词;
所述处理器,还用于分别计算所述每个分词的加权值,并根据所述每个分词的加权值和所述K个最终聚类中心中的每个最终聚类中心,分别计算所述任一数据与所述每个最终聚类中心之间的距离。
在本发明实施例中,当所述数据集中的数据包括文本类型字段和数字类型字段时,根据该数据包括的分词的加权值,计算该数据与最终聚类中心之间的距离,从而本发明可以支持文本-数值混合类型数据的聚类分析。
结合第一方面或第一方面的任一种实现方式,在第一方面的第五种实现方式中,所述处理器,还用于从所述K个类别中,选择待淘汰类别,所述待淘汰类别包括数据的数量P大于预设数目;
所述处理器,还用于从所述待淘汰类别包括的数据中淘汰与所述待淘汰类别的最终聚类中心之间的距离最远的(P-所述预设数目)个数据;
所述处理器,还用于根据所述待淘汰类别中除所述淘汰的数据之外的数据,更新所述待淘汰类别的最终聚类中心。
在本发明实施例中,从包括数据较多的类别中淘汰一部分数据,重新计算该类别更新后的最终聚类中心,从而该更新后的最终聚类中心更准确,解决了现有流式K-Means聚类算法对数据时间的敏感性问题。
本发明的第二方面,提供了一种基于K-Means算法的数据聚类方法,所述方法由聚类服务器执行,用于将待处理的数据集包括的N个数据聚类至K个类别中,所述N为大于K的整数,所述K为预设的类别数量且为大于或等于2的整数,K个类别中的每个类别对应一个初始聚类中心,所述方法包括:
聚类服务器接收聚类请求,所述聚类请求包括最大计算量、所述K和所述数据集;
所述聚类服务器根据所述最大计算量,确定所述最大计算量对应的调整因子;
所述聚类服务器从所述数据集中随机选择一个数据;
所述聚类服务器根据所述调整因子和所述随机选择的数据,从所述数据集中选择K-1个数据,所述随机选择的数据和所述K-1个数据构成所述数据集的K个初始聚类中心;
所述聚类服务器根据所述K个初始聚类中心,对所述数据集中的N个数据进行聚类。
结合第一方面,在第一方面的第一种实现方式中,所述聚类请求中还包括所述数据集的训练次数和数据大小;
所述聚类服务器根据所述最大计算量,确定所述最大计算量对应的调整因子,包括:
所述聚类服务器根据所述训练次数、所述数据大小和所述K,确定对所述数据集包括的N个数据进行聚类时的中心点初始化计算量和迭代训练计算量;
所述聚类服务器根据所述中心点初始化计算量、所述迭代训练计算量和所述最大计算量,确定所述最大计算量对应的调整因子。
结合第一方面或第一方面的第一种实现方式,在第一方面的第二种实现方式中,所述聚类服务器根据所述调整因子和所述随机选择的数据,从所述数据集中选择K-1个数据,包括:
所述聚类服务器根据所述调整因子,从所述数据集中选择M个数据,所述M为大于K的整数;
所述聚类服务器根据所述随机选择的数据和所述M个数据,从所述M个数据中选择与所述随机选择的数据之间的距离最远的K-1个数据。
结合第一方面或第一方面的任一种实现方式,在第一方面的第三种实现方式中,所述聚类服务器根据所述K个初始聚类中心,对所述数据集中的N个数据进行聚类,包括:
所述聚类服务器根据所述K个初始聚类中心和所述数据集中的N个数据,确定K个最终聚类中心;
对于所述数据集中的任一数据,所述聚类服务器分别计算所述任一数据与所述K个最终聚类中心中的每个最终聚类中心之间的距离;
所述聚类服务器从所述K个最终聚类中心中选择与所述任一数据之间的距离最小的最终聚类中心,将所述任一数据归类到所述选择的最终聚类中心对应的类别中。
结合第一方面或第一方面的任一种实现方式,在第一方面的第四种实现方式中,所述聚类服务器分别计算所述任一数据与所述K个最终聚类中心中的每个最终聚类中心之间的距离,包括:
当所述任一数据包括文本类型字段和数字类型字段时,所述聚类服务器获取所述任一数据包括的每个分词;
所述聚类服务器分别计算所述每个分词的加权值,并根据所述每个分词的加权值和所述K个最终聚类中心中的每个最终聚类中心,分别计算所述任一数据与所述每个最终聚类中心之间的距离。
结合第一方面或第一方面的任一种实现方式,在第一方面的第五种实现方式中,所述方法还包括:
所述聚类服务器从所述K个类别中,选择待淘汰类别,所述待淘汰类别包括数据的数量P大于预设数目;
所述聚类服务器从所述待淘汰类别包括的数据中淘汰与所述待淘汰类别的最终聚类中心之间的距离最远的(P-所述预设数目)个数据;
所述聚类服务器根据所述待淘汰类别中除所述淘汰的数据之外的数据,更新所述待淘汰类别的最终聚类中心。
本发明的第三方面,提供了一种数据聚类装置,所述装置应用在聚类服务器中,且所述装置包括了用于执行第二方面提供的聚类方法的至少一个模块。
在本发明实施例中,根据聚类请求包括的最大计算量,确定最大计算量对应的调整因子,从待聚类的数据集中随机选择一个数据,并根据该调整因子和该随机选择的数据,从数据集中选择K-1个数据,该随机选择的数据和K-1个数据构成数据集的K个初始聚类中心,根据该K个初始聚类中心,对数据集中的N个数据进行聚类;由于根据最大计算量和该随机选择的数据,从数据集中选择K-1个初始聚类中心,因此,本发明可以根据最大计算量自动调整聚类效率,从而可以提高聚类效率。
附图说明
图1-1是本发明实施例提供的一种基于K-Means算法的数据聚类系统的结构示意图;
图1-2是本发明实施例提供的一种计算设备的结构示意图;
图2-1是本发明实施例提供的一种基于K-Means算法的数据聚类方法流程图;
图2-2是本发明实施例提供的一种对数据进行预处理的示意图;
图2-3是本发明实施例提供的一种对数据进行聚类的效果图;
图3-1是本发明实施例提供的一种基于K-Means算法的数据聚类方法装置结构示意图;
图3-2是本发明实施例提供的一种基于K-Means算法的数据聚类方法装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
基于K-Means算法对数据进行聚类时,从数据集中随机选择K个数据作为K个类别的初始聚类中心,然后将数据集中的每个数据分别聚类到与其最近的初始聚类中心对应的类别中,然后根据K个类别中包括的数据,重新计算K个类别的新的聚类中心,再将数据集中的数据重新进行分类,直到K个类别中的每个类别的相邻两次聚类中心之间的距离在预设距离内。由于K个类别的初始聚类中心是随机选择的,因此,当K较大和/或数据集中包括的数据较多时,计算量会增大,导致聚类效率低。
在本发明实施例中,根据聚类时设置的最大计算量,确定最大计算量对应的调整因子,从待聚类的数据集中随机选择一个数据,并根据该调整因子和该随机选择的数据,从数据集中选择K-1个数据,随机选择的数据和该K-1个数据构成数据集的K个初始聚类中心,根据该K个初始聚类中心,对数据集中的数据进行聚类,由于根据最大计算量和该随机选择的数据,从数据集中选择K-1个初始聚类中心,因此,本发明可以根据最大计算量自动调整聚类效率,从而可以提高聚类效率。
本发明实施例提供了一种基于K-Means算法的数据聚类系统,参见图1-1,该聚类系统包括终端,通信网络和聚类服务器,终端,用于通过通信网络向聚类服务器发送聚类请求,该聚类请求包括最大计算量、K和数据集,数据集中包括N个待聚类的数据;聚类服务器,用于通过通信网络接收终端发送的聚类请求,并将数据集包括的N个数据聚类至K个类别中,通过通信网络向终端反馈聚类结果。
本发明实施例提供了一种基于K-Means算法的数据聚类方法,该方法由聚类服务器执行,用于将待处理的数据集包括的N个数据聚类至K个类别中,N为大于K的整数,K为预设的类别数量且为大于或等于2的整数,K个类别中的每个类别对应一个初始聚类中心。
该聚类服务器可以由计算设备实现,该计算设备的组织结构示意图如图1-2所示,该计算设备可以包括通信接口110、处理器120和存储器130,通信接口110分别与处理器120和存储器130建立通信连接,处理器120和存储器130建立通信连接。
通信接口110用于通过通信网络接收终端发送的聚类请求,该聚类请求包括最大计算量、K和数据集。
处理器120可以为中央处理器(英文:central processing unit,缩写:CPU)。
存储器130用于存储该聚类请求包括的最大计算量、K和数据集;存储器130包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-accessmemory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如只读存储器(英文:read-only memory,缩写:ROM),快闪存储器(英文:flash memory),硬盘(英文:hard disk drive,缩写:HDD)或固态硬盘(英文:solid state drive,缩写:SSD);存储器130还可以包括上述种类的存储器的组合。在通过软件来实现本申请提供的技术方案时,用于实现本申请图1-2提供的基于K-Means算法的数据聚类的程序指令保存在存储器130中,处理器120用于读取存储器130中的程序指令,以执行以下的步骤。
通信接口110,用于接收聚类请求,该聚类请求包括最大计算量、K和数据集;
存储器130,用于存储最大计算量、K和数据集。
处理器120,用于根据最大计算量,确定最大计算量对应的调整因子;
处理器120,还用于从存储器中获取数据集,并从数据集中随机选择一个数据;
处理器120,还用于根据调整因子和随机选择的数据,从数据集中选择K-1个数据,随机选择的数据和K-1个数据构成数据集的K个初始聚类中心;
处理器120,还用于根据K个初始聚类中心,对数据集中的N个数据进行聚类。
该聚类请求中还包括数据集的训练次数和数据大小;相应的,处理器120,用于根据最大计算量,确定最大计算量对应的调整因子,具体可以通过如下步骤实现:
处理器120,还用于根据训练次数、数据大小和K,确定对数据集包括的N个数据进行聚类时的中心点初始化计算量和迭代训练计算量;
处理器120,还用于根据中心点初始化计算量、迭代训练计算量和最大计算量,确定最大计算量对应的调整因子。
其中,处理器120,用于根据调整因子和随机选择的数据,从数据集中选择K-1个数据,具体可以通过以下步骤实现:
处理器120,还用于根据调整因子,从数据集中选择M个数据,M为大于K的整数;
处理器120,还用于根据随机选择的数据和M个数据,从M个数据中选择与随机选择的数据之间的距离最远的K-1个数据。
其中,处理120,用于根据K个初始聚类中心,对数据集中的N个数据进行聚类,具体可以通过以下步骤实现:
处理器120,还用于根据K个初始聚类中心和数据集中的N个数据,确定K个最终聚类中心;
对于数据集中的任一数据,处理器120,还用于分别计算任一数据与K个最终聚类中心中的每个最终聚类中心之间的距离;
处理器120,还用于从K个最终聚类中心中选择与任一数据之间的距离最小的最终聚类中心,将任一数据聚类到选择的最终聚类中心对应的类别中。
其中,处理器120,用于分别计算所述任一数据与所述K个最终聚类中心中的每个最终聚类中心之间的距离,具体可以通过以下步骤实现:
当任一数据包括文本类型字段和数字类型字段时,处理器120,还用于获取任一数据包括的每个分词;
处理器120,还用于分别计算每个分词的加权值,并根据每个分词的加权值和K个最终聚类中心中的每个最终聚类中心,分别计算任一数据与每个最终聚类中心之间的距离。
处理器120,还用于从K个类别中,选择待淘汰类别,待淘汰类别包括数据的数量P大于预设数目;
处理器120,还用于从待淘汰类别包括的数据中淘汰与待淘汰类别的最终聚类中心之间的距离最远的(P-预设数目)个数据;
处理器120,还用于根据待淘汰类别中除淘汰的数据之外的数据,更新待淘汰类别的最终聚类中心。
在本发明实施例中,根据聚类请求包括的最大计算量,确定最大计算量对应的调整因子,从待聚类的数据集中随机选择一个数据,并根据该调整因子和该随机选择的数据,从数据集中选择K-1个数据,该随机选择的数据和K-1个数据构成数据集的K个初始聚类中心,根据该K个初始聚类中心,对数据集中的N个数据进行聚类;由于根据最大计算量和该随机选择的数据,从数据集中选择K-1个初始聚类中心,因此,本发明可以根据最大计算量自动调整聚类效率,从而可以提高聚类效率。
本发明实施例提供了一种基于K-Means算法的数据聚类方法,该方法由聚类服务器执行,用于将待处理的数据集包括的N个数据聚类至K个类别中,N为大于K的整数,K为预设的类别数量且为大于或等于2的整数,K个类别中的每个类别对应一个初始聚类中心。
参见图2-1,该方法包括:
步骤201:聚类服务器接收聚类请求,该聚类请求包括最大计算量、K和数据集。
步骤201的可选方案如下:
当用户想要对N个数据进行聚类时,用户可以将N个数据组成一个数据集,并设置对该数据集进行聚类的最大时间消耗,也即最大计算量,以及,预设的类别数量,也即K。
用户对应的终端通过通信网络向聚类服务器发送聚类请求,该聚类请求至少包括最大计算量、K和数据集,该聚类请求还可以包括数据集的训练次数和数据大小。
每个类别对应一个初始聚类中心,根据初始聚类中心进行初始聚类,然后重新计算每个类别的聚类中心,直到每个类别的最终聚类中心与相邻的上一次得到的聚类中心之间的距离在预设距离内;训练次数可以为得到最终聚类中心的训练次数。
数据大小为该数据集包括的数据个数,也即数据大小为N。
聚类服务器通过通信接口接收终端发送的聚类请求,并从该聚类请求中获取该最大计算量、K、数据集,如果该聚类请求中还包括训练次数和数据大小,聚类服务器还可以从聚类请求中获取训练次数和数据大小。
需要说明的是,终端可以将该聚类请求中包括的数据集可以作为一个整体输入给聚类服务器,聚类服务器接收到数据集之后,同时对数据集中的数据进行聚类;终端还可以将数据集中的数据一个一个输入给聚类服务器,聚类服务器每接收到一个数据就开始进行聚类处理。
步骤202:聚类服务器根据该最大计算量,确定该最大计算量对应的调整因子。
步骤202的可选方案如下:
本步骤通过以下步骤(1)至(2)实现,包括:
(1):聚类服务器根据该训练次数、该数据大小和该K,确定对该数据集包括的N个数据进行聚类时的中心点初始化计算量和迭代训练计算量。
训练次数为计算聚类中心的次数(B),B为大于或等于2的整数;数据大小为包括的数据个数(N),N为大于K的整数。
进一步地,在本步骤中还需要设置一种中间变量,该中间变量与该最大计算量对应的调整因子没有关系,该中间变量可以为tdist,tdist用于表示计算任一数据分别与K个聚类中心之间的距离所需的时间。
聚类服务器根据该数据大小和该聚类中心数目,按照如下公式(1)确定对该数据集包括的N个数据进行聚类时的中心点初始化计算量。
其中,迭代训练分为计算数据类别和更新聚类中心两部分,则聚类服务器根据该训练次数、该数据大小和该聚类中心数目,按照如下公式(2)确定对该数据集包括的N个数据进行聚类时的迭代训练计算量。
Titera=B×(Tclassify×tdist+Tupdate×tmean)≈B×N×K×tdist (2)
其中,Titera为迭代训练计算量,K为预设的类别数量,N为数据大小,tdist为中间变量,B为训练次数。
(2):聚类服务器根据中心点初始化计算量、迭代训练计算量和最大计算量,确定最大计算量对应的调整因子。
根据大量实验得出,最大计算量T可以通过以下公式(3)表示:
Ttolerance≈7600000×tdist (3)
Ttolerance为最大计算量,tdist为中间变量。
其中,中心点初始化计算量和迭代计算量之和为最大计算量,也即Ttolerance=Tinit+Titera。则已知最大计算量的前提下,可以推导出最大计算量对应的调整因子,则调整因子如下公式(4)所示:
由此可见,聚类服务器根据训练次数、数据大小和聚类中心数目,可以计算出调整因子。
通过试验分析,在k=50,b=5000,n=1时,聚类效率最高;则在k=50,b=5000,n=1时,调整因子为2。
在本发明实施例中,可以设置最大计算量,然后根据最大计算量自动调整聚类速度,从而可以提高聚类效率,避免了单个数据集的计算时间无限增长,维持了整体算法的响应速度。
聚类服务器为任一具有K-Means算法的服务器;终端可以为智能手机、平板电脑、智能电视、电子书阅读器、多媒体播放器、膝上型便携计算机和台式计算机等等。
步骤203:聚类服务器从数据集中随机选择一个数据,并根据该调整因子和该随机选择的数据,从数据集中选择K-1个数据,随机选择的数据和该K-1个数据构成数据集的K个初始聚类中心。
在现有技术中直接从数据集中随机选择K个数据作为K个初始聚类中心,这样当K较大和/或数据集中包括的数据较多时,计算量会增大,导致聚类效率低。
步骤203的可选方案如下:
在本发明实施例中,聚类服务器从数据集中随机选择一个数据,将该随机选择的数据作为一个初始聚类中心;然后根据该调整因子和该随机选择的数据,按照以下步骤(1)至(2),从数据集中选择K-1个数据,将K-1个数据分别作为K-1个初始聚类中心。
(1):聚类服务器根据该调整因子,从数据集中选择M个数据。
聚类服务器根据该调整因子,从数据集中每隔该调整因子选择一个数据,得到M个数据,M个数据中的相邻两个数据之间的距离为该调整因子。。
例如,调整因子为2,该数据集中包括20个数据,分别为数据1-20,则从该数据集中选择M个数据(M为7),分别为:数据1,数据4,数据7,数据10,数据13,数据16和数据19。
(2):聚类服务器根据该随机选择的数据和M个数据,从M个中选择与随机选择的数据之间的距离最远的K-1个数据。
具体地,聚类服务器根据该随机选择的数据和M个数据,分别计算M个数据中的每个数据与该随机选择的数据之间的距离;根据每个数据与该随机选择的数据之间的距离,从M个数据中选择距离最大的K-1个数据。
在本发明实施例中,K个初始聚类中心之间的距离较远,从而根据该K个初始聚类中心对数据集中的数据进行聚类时,迭代训练计算量较少,从而提高了聚类效率。
步骤204:聚类服务器根据该K个初始聚类中心,对该数据集中的N个数据进行聚类。
步骤204的可选方案如下:
本步骤具体可以通过以下步骤(1)至(3)实现,包括:
(1):聚类服务器根据该K个初始聚类中心和该数据集中的N个数据,确定K个最终聚类中心;
本步骤可以通过以下步骤(1-1)至(1-3)实现,包括:
(1-1):对于数据集中除K个初始聚类中心之外的每个数据,聚类服务器分别计算该数据与K个初始聚类中心中的每个初始聚类中心之间的距离。
当该数据仅包括数字类型字段时,聚类服务器根据K-Means算法计算该数据与K个初始聚类中心中的每个初始聚类中心之间的距离。
当该数据仅包括文本类型字段时,聚类服务器将该数据转换为多维的数值向量,根据K-Means算法计算多维的数值向量与K个初始聚类中心中的每个初始聚类中心之间的距离。
当该数据同时包括文本类型字段和数字类型字段时,聚类服务器获取该数据包括的每个分词,分别计算每个分词的加权值,并根据每个分词的加权值和K个初始聚类中心中的每个初始聚类中心,通过K-Means算法分别计算该数据与每个初始聚类中心之间的距离。
需要说明的是,在本发明实施例中,可以通过现有的任一分词算法对该数据进行分词,得到该数据包括的每个分词。
聚类服务器分别计算每个分词的TF-IDF值,将每个分词的TF-IDF值作为其的加权值。并且,由于TF-IDF的计算依赖于数据集中包括的数据,而该数据集中包括的数据是通过不断地加载数据建立的,因此数据集可能是实时变化的,因此,不能在分词结束之后立即计算分词的TF-IDF值,而是需要在数据集聚合完成之后才可进行计算。
进一步地,每个分词会作为一个单独的维度参与聚类计算,为了保证每个维度对聚类结果的影响大小相同,需要维护一个权重向量w,为每个维度设置一个权重,每个维度的权重可以根据需要进行设置并更改,在本发明实施例中对每个维度的权重不作具体限定。例如,设置数值类型字段的权重设置为1,文本类型字段包括的所有分词的权重之和为1,且文本类型字段包括的每个分词的权重可以相等或者不等。
例如,一条含有3个数值类型字段和一个文本类型字段的日志,3个数值类型字段分别为第一数值类型字段、第二数值类型字段和第三数值类型字段,第一数值类型字段、第二数值类型字段和第三数值类型字段的权重都为1,文本类型字段包括3个文本分词,分别为第一文本分词、第二文本分词和第三文本分词,第一文本分词、第二文本分词和第三文本分词的权重之和为1,且第一文本分词、第二文本分词和第三文本分词的权重分别为1/3,如图2-2所示。
相应的,聚类服务器根据每个分词的加权值和每个初始聚类中心,通过K-Means分别计算该数据与K个初始聚类中心中的每个初始聚类中心之间的距离的步骤还可以为:
聚类服务器根据每个分词的加权值和权重以及每个初始聚类中心,通过K-Means算法分别计算该数据与K个初始聚类中心中的每个初始聚类中心之间的距离。
(1-2):聚类服务器根据该数据分别与每个初始聚类中心之间的距离,将该数据聚类到与该数据之间的距离最近的初始聚类中心对应的类别中。
聚类服务器根据该数据分别与每个初始聚类中心之间的距离,从每个初始聚类中心中选择距离最近的初始聚类中心,将该数据聚类到该选择的初始聚类中心对应的类别中。
(1-3):聚类服务器根据K个类别中包括的数据,重新计算K个类别的新的聚类中心,直到K个类别中的每个类别的相邻两次聚类中心之间的距离在预设距离内得到K个最终聚类中心。
对于K个类别中的每个类别,分别计算该类别包括的数据的平均值作为该类别的新的聚类中心,计算该新的聚类中心和初始聚类中心之间的距离,如果该距离在预设距离(为了便于区分,将该预设距离称为第一预设距离)内,将该新的距离中心作为该类别的最终聚类中心。一个类别对应一个最终聚类中心,该最终聚类中心用于对待聚类的数据进行聚类。
如果该距离不在第一预设距离内,重新执行步骤(1-1)-(1-3)直到每个类型的相邻两次聚类中心之间的距离在第一预设距离内。第一预设距离可以根据需要进行设置并更改,在本发明实施例中对第一预设距离不作具体限定。
(2):对于数据集中的任一数据,聚类服务器分别计算该任一数据与K个最终聚类中心中的每个最终聚类中心之间的距离;
当该任一数据仅包括数字类型字段时,聚类服务器根据K-Means算法计算该任一数据与K个最终聚类中心中的每个最终聚类中心之间的距离。
当该任一数据仅包括文本类型字段时,聚类服务器将该任一数据转换为多维的数值向量,根据K-Means计算多维的数值向量与K个最终聚类中心中的每个最终聚类中心之间的距离。
当该任一数据包括文本类型字段和数字类型字段时,聚类服务器获取该任一数据包括的每个分词;分别计算每个分词的加权值,并根据每个分词的加权值和每个最终聚类中心,分别计算该任一数据与每个最终聚类中心之间的距离。
对于每个最终聚类中心,聚类服务器根据该任一数据包括的每个分词的加权值,通过以下公式(5)分别计算该任一数据与该最终聚类中心之间的距离。
其中,D(l,c)为该任一数据与该最终聚类中心之间的距离,DF是指数字类型字段,WF是指文本类型字段。l是该任一数据,c是指该最终聚类中心。l(wf)是指分词的加权值,w(fw)是指权重,c(fw)是指该最终聚类中心的值。
(3):聚类服务器从K个最终聚类中心中选择与该任一数据之间的距离最小的最终聚类中心,将该任一数据归类到选择的最终聚类中心对应的类别中。
聚类完成之后,聚类服务器生成聚类结果,该聚类结果包括每个类别包括的数据,通过通信接口向终端发送聚类结果。
终端接收聚类服务器发送的聚类结果,并显示聚类结果,通过本发明实施例提供的聚类方法对数据进行聚类的效果图如图2-3所示。
聚类完成之后数据集包括的N个数据被聚类至K个类别中,K个类别中的每个类别对应一个数据子集,一个数据子集中包括N个数据中的部分数据,根据每个类别对应的数据子集包括的数据,更新每个类别的最终聚类中心。
聚类完成之后一个数据子集可以作为一个分类器,用于对待聚类的数据进行聚类。
聚类服务器分别计算每个数据子集包括的数据的平均值作为该分类器的聚类中心;当终端需要对某个待聚类的数据进行聚类时,聚类服务器通过通信接口接收终端发送的待聚类的数据,分别计算待聚类的数据与每个分类器的聚类中心之间的距离,从每个分类器中选择与待聚类的数据之间的距离最近的聚类中心对应的分类器,将待聚类的数据聚类待选择的分类器中。
多次聚类之后,同一个类别的数据子集可以进行合并,该类别合并后的数据子集会过度膨胀,所以需要一种淘汰机制来限制数据子集的增长,并且,不同类别的数据子集包括的数据数目可能相差较大,在数据子集大小一定时,如果某一个类别的数据子集包括的数据数目过大,则会限制其他类别的数据子集的发展,因此,可以通过以下步骤205和206对每个类别包括的数据进行淘汰处理。
步骤205:聚类服务器从K个类别中,选择待淘汰类别,待淘汰类别包括数据大于预设数目。
步骤205的可选方案如下:
为了便于区分,将该预设数目称为第一预设数目,第一预设数目可以根据需要进行设置并更改,在本发明实施例中,对第一预设数目不作具体限定;例如,第一预设数目可以为100等。
在本步骤中,聚类服务器也可以从K个类别中,选择包括数据最多的第二预设数目个类别作为待淘汰类别。
第二预设数目为小于K的整数,且第二预设数目可以根据需要进行设置并更改,在本发明实施例中,对第二预设数目不作具体限定;例如,第二预设数目可以为2或者3等。
步骤206:聚类服务器从待淘汰类别包括的数据中淘汰与待淘汰类别的最终聚类中心之间的距离最远的(P-预设数目)个数据。
步骤206的可选方案如下:
聚类服务器分别计算待淘汰类别中包括的P个数据中的每个数据与该待淘汰类别的最终聚类中心之间的距离,根据每个数据与该待淘汰类别的最终聚类中心之间的距离,从P个数据中选择距离最远的P-预设数目(第一预设数目)个数据,将选择的数据从该待淘汰类别中淘汰,从而使得待淘汰类别中保留第一预设数目个数据。
在本步骤中,聚类服务器还可以从待淘汰类别包括的P个数据中淘汰与待淘汰类别的最终聚类中心之间的距离超过第二预设距离的数据。
第二预设距离可以根据需要进行设置并更改,在本发明实施例中,对第二预设距离不作具体限定。
在本步骤中,聚类服务器还可以从待淘汰类别包括的P个数据中选择离待淘汰类别的最终聚类中心之间的距离最大的预设数目个数据,将P个数据中除选择的数据之外的数据淘汰。
当训练效果足够好时,被分到同一个聚类的数据记录应该是高度相似的,只需要选取离最终聚类中心最近的前预设数目条这部分少量而有效的数据加入主分类器,即可保留该聚类结果的信息,m为大于2的整数,且m可以根据需要进行设置并更改,在本发明实施例中,对m不作具体限定;例如,m可以为20或者50等。
需要说明的是,在将N个数据聚类至K个类别中之后,K个类别中的每个类别的最终聚类中心可能会发生变化,此时,聚类服务器根据每个类别包括的数据重新计算每个类别更新后的最终聚类中心,在本步骤中,聚类服务器可以从待淘汰类别包括的P个数据中淘汰与待淘汰类别的更新后的最终聚类中心之间的距离最远的P-预设数目个数据。
步骤207:聚类服务器根据待淘汰类别中除淘汰的数据以外的数据,更新待淘汰类别的最终聚类中心。
步骤207的可选方案如下:
聚类服务器根据待淘汰类别中除淘汰的数据以外的未淘汰数据,计算未淘汰数据的平均值作为该待淘汰类别更新后的最终聚类中心。
当聚类服务器接收到待聚类的数据时,根据待聚类的数据和更新后的最终聚类中心对待聚类的数据进行聚类,从而可以提高聚类准确率。
在本发明实施例中,根据聚类请求包括的最大计算量,确定最大计算量对应的调整因子,从待聚类的数据集中随机选择一个数据,并根据该调整因子和该随机选择的数据,从数据集中选择K-1个数据,该随机选择的数据和K-1个数据构成数据集的K个初始聚类中心,根据该K个初始聚类中心,对数据集中的N个数据进行聚类;由于根据最大计算量和该随机选择的数据,从数据集中选择K-1个初始聚类中心,因此,本发明可以根据最大计算量自动调整聚类效率,从而可以提高聚类效率。
本发明实施例还提供了一种基数据聚类装置,该装置可以通过图1-2所示的计算设备实现,还可以通过专用集成电路(英文:application-specific integrated circuit,缩写:ASIC)实现,或可编程逻辑器件(英文:programmable logic device,缩写:PLD)实现。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),FPGA,通用阵列逻辑(英文:generic array logic,缩写:GAL)或其任意组合。该划分数据条带的装置用于实现图2-1所示的基于K-Means算法的数据聚类的方法。通过软件实现图2-1所示的基于K-Means算法的数据聚类的方法时,基于K-Means算法的数据聚类的装置也可以为软件模块。
数据聚类装置的组织结果示意图如图3-1所示,包括接收模块301,确定模块302,选择模块303和聚类模块304。
接收模块301工作时,执行图2-1所示的基于K-Means算法的数据聚类方法中的步骤201的部分;确定模块302工作时,执行图2-1所示的基于K-Means算法的数据聚类方法中的步骤202及其可选方案;选择模块303工作时,执行图2-1所示的基于K-Means算法的数据聚类方法中的步骤203、205及其可选方案;聚类模块304工作时,执行图2-1所示的基于K-Means算法的数据聚类方法中的步骤204及其可选方案。
另外,如图3-2所示,数据聚类装置还可以包括淘汰模块305和计算模块306;淘汰模块305工作时,执行图2-1所示的基于K-Means算法的数据聚类方法中的步骤206及其可选方案,计算模块306工作时,执行图2-1所示的基于K-Means算法的数据聚类方法中的步骤207及其可选方案。
在本发明实施例中,根据聚类请求包括的最大计算量,确定最大计算量对应的调整因子,从待聚类的数据集中随机选择一个数据,并根据该调整因子和该随机选择的数据,从数据集中选择K-1个数据,该随机选择的数据和K-1个数据构成数据集的K个初始聚类中心,根据该K个初始聚类中心,对数据集中的N个数据进行聚类;由于根据最大计算量和该随机选择的数据,从数据集中选择K-1个初始聚类中心,因此,本发明可以根据最大计算量自动调整聚类效率,从而可以提高聚类效率。
需要说明的是:上述实施例提供的数据聚类的装置在基于K-Means算法的数据聚类时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的数据聚类的装置与基于K-Means算法的数据聚类方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种计算设备,其特征在于,所述计算设备用于将待处理的数据集包括的N个数据聚类至K个类别中,所述N为大于K的整数,所述K为预设的类别数量且为大于或等于2的整数,K个类别中的每个类别对应一个初始聚类中心;所述计算设备包括通信接口、处理器和存储器,所述通信接口分别与所述处理器和存储器建立通信连接,所述处理器与所述存储器建立通信连接;
所述通信接口,用于接收聚类请求,所述聚类请求包括最大计算量、所述K、所述数据集以及所述数据集的训练次数和数据大小;
所述存储器,用于存储所述最大计算量、所述K和所述数据集;
所述处理器,还用于根据所述训练次数、所述数据大小和所述K,确定对所述数据集包括的N个数据进行聚类时的中心点初始化计算量和迭代训练计算量;根据所述中心点初始化计算量、所述迭代训练计算量和所述最大计算量,确定所述最大计算量对应的调整因子;
所述处理器,还用于从所述存储器中获取所述数据集,并从所述数据集中随机选择一个数据;
所述处理器,还用于根据所述调整因子,从所述数据集中选择M个数据,从所述M个数据中选择与所述随机选择的数据之间的距离最远的K-1个数据,所述随机选择的数据和所述K-1个数据构成所述数据集的K个初始聚类中心,所述M为大于K的整数;
所述处理器,还用于根据所述K个初始聚类中心和所述数据集中的N个数据,确定K个最终聚类中心;
对于所述数据集中的任一数据,当所述任一数据包括文本类型字段和数字类型字段时,所述处理器,还用于获取所述任一数据包括的每个分词;
所述处理器,还用于分别计算所述每个分词的加权值,并根据所述每个分词的加权值和所述K个最终聚类中心中的每个最终聚类中心,分别计算所述任一数据与所述每个最终聚类中心之间的距离;
所述处理器,还用于从所述K个最终聚类中心中选择与所述任一数据之间的距离最小的最终聚类中心,将所述任一数据聚类到所述选择的最终聚类中心对应的类别中。
2.根据权利要求1所述的计算设备,其特征在于,
所述处理器,还用于从所述K个类别中,选择待淘汰类别,所述待淘汰类别包括数据的数量P大于预设数目;
所述处理器,还用于从所述待淘汰类别包括的数据中淘汰与所述待淘汰类别的最终聚类中心之间的距离最远的Q个数据,其中,Q=P-所述预设数目;
所述处理器,还用于根据所述待淘汰类别中除所述淘汰的数据之外的数据,更新所述待淘汰类别的最终聚类中心。
3.一种基于K-Means算法的数据聚类方法,其特征在于,所述方法由聚类服务器执行,用于将待处理的数据集包括的N个数据聚类至K个类别中,所述N为大于K的整数,所述K为预设的类别数量且为大于或等于2的整数,K个类别中的每个类别对应一个初始聚类中心,所述方法包括:
聚类服务器接收聚类请求,所述聚类请求包括最大计算量、所述K、所述数据集以及所述数据集的训练次数和数据大小;
所述聚类服务器根据所述训练次数、所述数据大小和所述K,确定对所述数据集包括的N个数据进行聚类时的中心点初始化计算量和迭代训练计算量;根据所述中心点初始化计算量、所述迭代训练计算量和所述最大计算量,确定所述最大计算量对应的调整因子;
所述聚类服务器从所述数据集中随机选择一个数据;
所述聚类服务器根据所述调整因子,从所述数据集中选择M个数据,从所述M个数据中选择与所述随机选择的数据之间的距离最远的K-1个数据,所述随机选择的数据和所述K-1个数据构成所述数据集的K个初始聚类中心,所述M为大于K的整数;
所述聚类服务器根据所述K个初始聚类中心和所述数据集中的N个数据,确定K个最终聚类中心;
对于所述数据集中的任一数据,当所述任一数据包括文本类型字段和数字类型字段时,所述聚类服务器获取所述任一数据包括的每个分词;
所述聚类服务器分别计算所述每个分词的加权值,并根据所述每个分词的加权值和所述K个最终聚类中心中的每个最终聚类中心,分别计算所述任一数据与所述每个最终聚类中心之间的距离;
所述聚类服务器从所述K个最终聚类中心中选择与所述任一数据之间的距离最小的最终聚类中心,将所述任一数据归类到所述选择的最终聚类中心对应的类别中。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
所述聚类服务器从所述K个类别中,选择待淘汰类别,所述待淘汰类别包括数据的数量P大于预设数目;
所述聚类服务器从所述待淘汰类别包括的数据中淘汰与所述待淘汰类别的最终聚类中心之间的距离最远的Q个数据,其中,Q=P-所述预设数目;
所述聚类服务器根据所述待淘汰类别中除所述淘汰的数据之外的数据,更新所述待淘汰类别的最终聚类中心。
5.一种数据聚类装置,其特征在于,所述装置应用在聚类服务器中,用于将待处理的数据集包括的N个数据聚类至K个类别中,所述N为大于K的整数,所述K为预设的类别数量且为大于或等于2的整数,K个类别中的每个类别对应一个初始聚类中心,所述装置包括:
接收模块,用于接收聚类请求,所述聚类请求包括最大计算量、所述K、所述数据集以及所述数据集的训练次数和数据大小;
确定模块,用于根据所述训练次数、所述数据大小和所述K,确定对所述数据集包括的N个数据进行聚类时的中心点初始化计算量和迭代训练计算量;根据所述中心点初始化计算量、所述迭代训练计算量和所述最大计算量,确定所述最大计算量对应的调整因子;
选择模块,用于从所述数据集中随机选择一个数据;
所述选择模块,还用于根据所述调整因子,从所述数据集中选择M个数据,从所述M个数据中选择与所述随机选择的数据之间的距离最远的K-1个数据,所述随机选择的数据和所述K-1个数据构成所述数据集的K个初始聚类中心,所述M为大于K的整数;
聚类模块,用于根据所述K个初始聚类中心和所述数据集中的N个数据,确定K个最终聚类中心;对于数据集中的任一数据,当所述任一数据包括文本类型字段和数字类型字段时,获取所述任一数据包括的每个分词;分别计算所述每个分词的加权值,并根据所述每个分词的加权值和所述K个最终聚类中心中的每个最终聚类中心,分别计算所述任一数据与所述每个最终聚类中心之间的距离;从所述K个最终聚类中心中选择与所述任一数据之间的距离最小的最终聚类中心,将所述任一数据归类到所述选择的最终聚类中心对应的类别中。
6.根据权利要求5所述的装置,其特征在于,
所述选择模块,还用于从所述K个类别中,选择待淘汰类别,所述待淘汰类别包括数据的数量P大于预设数目;
所述装置还包括:
淘汰模块,用于从所述待淘汰类别包括的数据中淘汰与所述待淘汰类别的最终聚类中心之间的距离最远的Q个数据,其中,Q=P-所述预设数目;
计算模块,还用于根据所述待淘汰类别中除所述淘汰的数据之外的数据,更新所述待淘汰类别的最终聚类中心。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610255527.8A CN107305637B (zh) | 2016-04-21 | 2016-04-21 | 基于K-Means算法的数据聚类方法和装置 |
PCT/CN2016/105949 WO2017181660A1 (zh) | 2016-04-21 | 2016-11-15 | 基于K-Means算法的数据聚类方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610255527.8A CN107305637B (zh) | 2016-04-21 | 2016-04-21 | 基于K-Means算法的数据聚类方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107305637A CN107305637A (zh) | 2017-10-31 |
CN107305637B true CN107305637B (zh) | 2020-10-16 |
Family
ID=60116583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610255527.8A Active CN107305637B (zh) | 2016-04-21 | 2016-04-21 | 基于K-Means算法的数据聚类方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107305637B (zh) |
WO (1) | WO2017181660A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009099A (zh) * | 2017-11-30 | 2018-05-08 | 北京中科睿芯科技有限公司 | 一种应用于K-Mean聚类算法中的加速方法及其装置 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309188A (zh) * | 2018-03-08 | 2019-10-08 | 优酷网络技术(北京)有限公司 | 内容聚类方法及装置 |
CN109447103B (zh) * | 2018-09-07 | 2023-09-29 | 平安科技(深圳)有限公司 | 一种基于硬聚类算法的大数据分类方法、装置及设备 |
CN109598278B (zh) * | 2018-09-20 | 2022-11-25 | 创新先进技术有限公司 | 聚类处理方法、装置、电子设备及计算机可读存储介质 |
CN109615426A (zh) * | 2018-12-05 | 2019-04-12 | 重庆锐云科技有限公司 | 一种基于客户聚类的营销方法、系统 |
CN110912933B (zh) * | 2019-12-17 | 2021-04-02 | 中国科学院信息工程研究所 | 一种基于被动测量的设备识别方法 |
CN113393412B (zh) * | 2020-02-27 | 2024-05-31 | 中国石油天然气股份有限公司 | 确定输气管道内腐蚀缺陷的特征值的方法及装置 |
CN111476270B (zh) * | 2020-03-04 | 2024-04-30 | 中国平安人寿保险股份有限公司 | 基于K-means算法的课程信息确定方法、装置、设备及存储介质 |
CN111737469A (zh) * | 2020-06-23 | 2020-10-02 | 中山大学 | 数据挖掘方法、装置、终端设备和可读存储介质 |
CN112465626B (zh) * | 2020-11-24 | 2023-08-29 | 平安科技(深圳)有限公司 | 基于客户端分类聚合的联合风险评估方法及相关设备 |
CN112579581B (zh) * | 2020-11-30 | 2023-04-14 | 贵州力创科技发展有限公司 | 一种数据分析引擎的数据接入方法及系统 |
CN112995276B (zh) * | 2021-02-01 | 2023-03-24 | 中铁第四勘察设计院集团有限公司 | 一种协作空间通信方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008022341A2 (en) * | 2006-08-18 | 2008-02-21 | The Regents Of The University Of California | Seeding method for k-means clustering and other clustering algorithms |
CN101893704B (zh) * | 2010-07-20 | 2012-07-25 | 哈尔滨工业大学 | 一种基于粗糙集的雷达辐射源信号识别方法 |
CN104376057A (zh) * | 2014-11-06 | 2015-02-25 | 南京邮电大学 | 一种基于最大最小距离和K-means的自适应聚类方法 |
CN104376124A (zh) * | 2014-12-09 | 2015-02-25 | 西华大学 | 一种基于扰动吸收原理的聚类算法 |
CN104537067A (zh) * | 2014-12-30 | 2015-04-22 | 广东电网有限责任公司信息中心 | 一种基于k-means聚类的分箱方法 |
CN105447521A (zh) * | 2015-11-25 | 2016-03-30 | 大连理工大学 | 一种K-means聚类的初值选择方法 |
CN105469114A (zh) * | 2015-11-25 | 2016-04-06 | 大连理工大学 | 一种提高K-means收敛速度的方法 |
CN105468781A (zh) * | 2015-12-21 | 2016-04-06 | 小米科技有限责任公司 | 视频查询方法和装置 |
-
2016
- 2016-04-21 CN CN201610255527.8A patent/CN107305637B/zh active Active
- 2016-11-15 WO PCT/CN2016/105949 patent/WO2017181660A1/zh active Application Filing
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009099A (zh) * | 2017-11-30 | 2018-05-08 | 北京中科睿芯科技有限公司 | 一种应用于K-Mean聚类算法中的加速方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107305637A (zh) | 2017-10-31 |
WO2017181660A1 (zh) | 2017-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107305637B (zh) | 基于K-Means算法的数据聚类方法和装置 | |
US9454580B2 (en) | Recommendation system with metric transformation | |
WO2022126971A1 (zh) | 基于密度的文本聚类方法、装置、设备及存储介质 | |
WO2018041168A1 (zh) | 信息推送方法、存储介质和服务器 | |
CN110457577B (zh) | 数据处理方法、装置、设备和计算机存储介质 | |
US10163034B2 (en) | Tripoint arbitration for entity classification | |
US9747305B2 (en) | Image search device, image search method, program, and computer-readable storage medium | |
WO2019169704A1 (zh) | 一种数据分类方法、装置、设备及计算机可读存储介质 | |
CN110909222B (zh) | 基于聚类的用户画像建立方法、装置、介质及电子设备 | |
CN109242002A (zh) | 高维数据分类方法、装置及终端设备 | |
CN107944485B (zh) | 基于聚类群组发现的推荐系统及方法、个性化推荐系统 | |
WO2018176913A1 (zh) | 搜索方法、装置及非临时性计算机可读存储介质 | |
CN104517052B (zh) | 一种入侵检测方法及装置 | |
US10810458B2 (en) | Incremental automatic update of ranked neighbor lists based on k-th nearest neighbors | |
CN110335061B (zh) | 交易模式画像建立方法、装置、介质及电子设备 | |
CN110443264A (zh) | 一种聚类的方法和装置 | |
WO2017095439A1 (en) | Incremental clustering of a data stream via an orthogonal transform based indexing | |
CN108229507A (zh) | 数据分类方法以及装置 | |
CN111611228B (zh) | 一种基于分布式数据库的负载均衡调整方法及装置 | |
WO2022155939A1 (zh) | 一种数据属性的分组方法、装置、设备及存储介质 | |
CN109783816B (zh) | 短文本聚类方法及终端设备 | |
CN114461822A (zh) | 资源处理方法、装置、设备及存储介质 | |
Zhou et al. | A novel locality-sensitive hashing algorithm for similarity searches on large-scale hyperspectral data | |
Cai et al. | An outer-product-of-gradient approach to dimension reduction and its application to classification in high dimensional space | |
WO2020237511A1 (zh) | 相似性搜索方法、装置、服务器及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220211 Address after: 550025 Huawei cloud data center, jiaoxinggong Road, Qianzhong Avenue, Gui'an New District, Guiyang City, Guizhou Province Patentee after: Huawei Cloud Computing Technologies Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Patentee before: HUAWEI TECHNOLOGIES Co.,Ltd. |
|
TR01 | Transfer of patent right |