改进K-means算法在高校舆情中的应用
|
摘要
互联网时代,网络焦点话题讨论对当代高校学生的思想有很大影响,因此对高校舆情进行监测具有十分重要的意义。通过改进的K-means算法对高校舆情进行聚类,获取舆情热点。通过聚类算法获取热点话题,进而对热点舆情话题进行引导,对改进高校学生思想政治工作作用显著。对改进算法进行实验,结果表明该算法准确率达到75%,比传统算法高出8%,改善了传统算法的聚类效果。
In the Internet age,the discussion of network focus topics has a great influence on the thinking of contemporary college students. Therefore,it is of great significance to monitor public opinion in colleges and universities. Through the improved K-means algorithm,the college public opinion clusters,the hotspots and the hot topics of the current colleges and universities are obtained through the clustering algorithm,which can guide the hot topic of the hot topics and play an important role in the development of college students' thoughts. Experiments on the improved algorithm show that the accuracy of the algorithm reaches 75%,which is 8% higher than the traditional algorithm,which improves the clustering effect of the traditional algorithm.
In the Internet age,the discussion of network focus topics has a great influence on the thinking of contemporary college students. Therefore,it is of great significance to monitor public opinion in colleges and universities. Through the improved K-means algorithm,the college public opinion clusters,the hotspots and the hot topics of the current colleges and universities are obtained through the clustering algorithm,which can guide the hot topic of the hot topics and play an important role in the development of college students' thoughts. Experiments on the improved algorithm show that the accuracy of the algorithm reaches 75%,which is 8% higher than the traditional algorithm,which improves the clustering effect of the traditional algorithm.
引文
[1]章永来,周耀鉴.聚类算法综述[J].计算机应用,2019(5):1-14.
[2]徐建国,韩青君,李青.K-means聚类算法及其在网络舆情中的应用[J].软件导刊,2018,17(11):65-67.
[3]刘荣凯,孙忠林.PCA-KDKM算法及其在微博舆情中的应用[J].山东科技大学学报:自然科学版,2018,37(6):84-92.
[4]马幸飞,李引.基于改进的K-means算法在高校学生消费数据中的应用[J].无锡商业职业技术学院学报,2016,16(6):82-85.
[5]龚婷,普慧洁,张嘉伟,等.基于K-means的航空旅客聚类研究[J].价值工程,2018,37(35):52-54.
[6]东方.改进的聚类算法在电子商务中的应用[D].南昌:南昌大学,2019.
[7]邓林培.经典聚类算法研究综述[J].科技传播,2019,11(5):108-110.
[8]李鹏浩,朱立敬,石秀君.基于K-means算法微博热点话题预测分析[J].数字通信世界,2019(3):84-122.
[9]冯彩英,刘玉.K-means初始聚类中心优化研究[J].计算机产品与流通,2019(2):152-153.
[10]徐建国,蔺珍,张鹏,等.网络舆情热点获取与分析算法研究[J].软件导刊,2019,18(1):1-5.
[11]马廷博,刘太安,徐建国,等.基于改进的K-means聚类算法的汽车市场竞争情报分析[J].山东科技大学学报:自然科学版,2019,38(1):74-84.
[12]刘叶,吴晟,周海河,等.基于K-means聚类算法优化方法的研究[J].信息技术,2019,43(1):66-70.
[13]杨丹,朱世玲,卞正宇.基于改进的K-means算法在文本挖掘中的应用[J].计算机技术与发展,2019,29(4):68-71.
[14]陈艳红,向军,刘嵩.高校网络舆情分析的K-means算法优化研究[J].湖北民族学院学报:自然科学版,2018,36(4):442-447.
[15]杨莉云,颜远海.基于孤立点自适应的K-means算法[J].河南科学,2019,37(4):507-513.
[16]贺艳芳,梁书田.优化加权多视角K-means聚类算法[J].计算机技术与发展,2019,29(3):81-84.
[17]黄灵,王云锋,陈光武.基于密度标准差优化初始聚类中心的K-means改进算法[J].电脑知识与技术,2019,15(6):147-151.
[18]王辉,赵玮,祁薇.基于用户特征的K-means聚类算法应用与改进研究[J].电脑知识与技术,2018,14(35):17-19.
[19]杜佳颖,段隆振,段文影,等.基于Spark的改进K-means算法的并行实现[J].计算机应用研究:2018(7):1-5.
[20]徐思,孙仁诚.结合聚类的半监督分类方法[J].青岛大学学报:自然科学版,2018,31(4):49-53.
[21]杨涛.中文信息处理中的自动分词方法研究[J].现代交际,2019(7):93-95.
[22]刘燕.基于抽样和最大最小距离法的并行K-means聚类算法[J].智能计算机与应用,2018,8(6):37-39,43.
[23]唐海波,林煜明,李优.一种基于K-Means的平衡约束聚类算法[J].华东师范大学学报:自然科学版,2018(5):164-171.
[24]刘荣凯,孙忠林.针对K-means初始聚类中心优化的PCA-TDKM算法[J].软件导刊,2018,17(9):85-87,91.
[25]许强.基于Spark的话题检测与跟踪技术研究[D].成都:电子科技大学,2018.
[26]张尚韬.网络舆情话题检测技术研究[J].广东石油化工学院学报,2017,27(3):41-45.
[2]徐建国,韩青君,李青.K-means聚类算法及其在网络舆情中的应用[J].软件导刊,2018,17(11):65-67.
[3]刘荣凯,孙忠林.PCA-KDKM算法及其在微博舆情中的应用[J].山东科技大学学报:自然科学版,2018,37(6):84-92.
[4]马幸飞,李引.基于改进的K-means算法在高校学生消费数据中的应用[J].无锡商业职业技术学院学报,2016,16(6):82-85.
[5]龚婷,普慧洁,张嘉伟,等.基于K-means的航空旅客聚类研究[J].价值工程,2018,37(35):52-54.
[6]东方.改进的聚类算法在电子商务中的应用[D].南昌:南昌大学,2019.
[7]邓林培.经典聚类算法研究综述[J].科技传播,2019,11(5):108-110.
[8]李鹏浩,朱立敬,石秀君.基于K-means算法微博热点话题预测分析[J].数字通信世界,2019(3):84-122.
[9]冯彩英,刘玉.K-means初始聚类中心优化研究[J].计算机产品与流通,2019(2):152-153.
[10]徐建国,蔺珍,张鹏,等.网络舆情热点获取与分析算法研究[J].软件导刊,2019,18(1):1-5.
[11]马廷博,刘太安,徐建国,等.基于改进的K-means聚类算法的汽车市场竞争情报分析[J].山东科技大学学报:自然科学版,2019,38(1):74-84.
[12]刘叶,吴晟,周海河,等.基于K-means聚类算法优化方法的研究[J].信息技术,2019,43(1):66-70.
[13]杨丹,朱世玲,卞正宇.基于改进的K-means算法在文本挖掘中的应用[J].计算机技术与发展,2019,29(4):68-71.
[14]陈艳红,向军,刘嵩.高校网络舆情分析的K-means算法优化研究[J].湖北民族学院学报:自然科学版,2018,36(4):442-447.
[15]杨莉云,颜远海.基于孤立点自适应的K-means算法[J].河南科学,2019,37(4):507-513.
[16]贺艳芳,梁书田.优化加权多视角K-means聚类算法[J].计算机技术与发展,2019,29(3):81-84.
[17]黄灵,王云锋,陈光武.基于密度标准差优化初始聚类中心的K-means改进算法[J].电脑知识与技术,2019,15(6):147-151.
[18]王辉,赵玮,祁薇.基于用户特征的K-means聚类算法应用与改进研究[J].电脑知识与技术,2018,14(35):17-19.
[19]杜佳颖,段隆振,段文影,等.基于Spark的改进K-means算法的并行实现[J].计算机应用研究:2018(7):1-5.
[20]徐思,孙仁诚.结合聚类的半监督分类方法[J].青岛大学学报:自然科学版,2018,31(4):49-53.
[21]杨涛.中文信息处理中的自动分词方法研究[J].现代交际,2019(7):93-95.
[22]刘燕.基于抽样和最大最小距离法的并行K-means聚类算法[J].智能计算机与应用,2018,8(6):37-39,43.
[23]唐海波,林煜明,李优.一种基于K-Means的平衡约束聚类算法[J].华东师范大学学报:自然科学版,2018(5):164-171.
[24]刘荣凯,孙忠林.针对K-means初始聚类中心优化的PCA-TDKM算法[J].软件导刊,2018,17(9):85-87,91.
[25]许强.基于Spark的话题检测与跟踪技术研究[D].成都:电子科技大学,2018.
[26]张尚韬.网络舆情话题检测技术研究[J].广东石油化工学院学报,2017,27(3):41-45.