我们生活在一个信息化的时代,各种信息急剧膨胀,为了有效利用这些信息,数据挖掘和知识发现技术应运而生,并显示出强大的生命力。聚类分析在数据挖掘研究中占有重要的位置。所谓聚类,就是将物理或抽象对象的集合划分成为由类似的对象组成的多个类的过程。 本文首先对Web文档聚类中的数据表示方法、特征提取、权值计算进行了系统的研究,并开发了一整套从网上下载新闻、提取新闻正文、提取词干、计算权值、聚类、聚类结果可视化的软件,软件采用了XML和多线程技术。 介绍和分析了K-means聚类算法,并对Web文档聚类中的欧氏距离进行改进。改进后的欧氏距离与传统欧氏距离相比,提高了聚类的质量和速度。改进的欧氏距离与文本聚类中常用的余弦距离效果相当。 提出一种基于交集的聚类组合算法,借鉴了选举投票的思想。给定同一数据集的不同聚类结果,此算法先求出不同聚类结果中每个簇的对应关系,然后计算这几个聚类结果中对应簇的交集,对剩余的有争议对象进行投票,最后把投票之后仍未确定归属的对象分配给最近的聚类中心,或者不经过投票直接将有争议的对象分配给最近的聚类中心。 实现了随机点图、顺序点图、电子云图、条形图、饼图五种聚类结果可视化方法。这些方法各有优点,可配合起来使用。其中的顺序点图对象的位置固定,可在图形上显示每个对象的相关信息,适合动态显示聚类过程,在本文中得到广泛应用。 最后用多个Web数据集进行实验,验证了基于交集的聚类组合算法的有效性。