一种基于SimHash改进的Kmeans文档聚类方法

摘要

本发明公开了一种基于SimHash改进的Kmeans聚类方法，本方法为：1)使用SimHash算法计算每一待聚类文档的指纹，生成一SimHash表；2)选取一待聚类文档，根据该文档的指纹查找该SimHash表，得到一相似文档集合S0；3)将S0中与该待聚类文档的Overlap值将大于阈值α的文档加入相似文档集合S1；4)返回S1所属的聚类簇集合C0，计算该待聚类文档到C0中所有簇质心的距离，然后将该文档归入距离最近且小于设定阈值的簇i并更新簇质心表，否则新建一簇k，将该文档作为该簇k中的第一个元素；若C0为空，则新建一个簇j，将该待聚类文档作为该簇j中的第一个元素。本发明大大提高了聚类效果。