High-Dimensional Text Clustering by Dimensionality Reduction and Improved Density Peak
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F20%3A10245959" target="_blank" >RIV/61989100:27240/20:10245959 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.hindawi.com/journals/wcmc/2020/8881112/" target="_blank" >https://www.hindawi.com/journals/wcmc/2020/8881112/</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1155/2020/8881112" target="_blank" >10.1155/2020/8881112</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
High-Dimensional Text Clustering by Dimensionality Reduction and Improved Density Peak
Popis výsledku v původním jazyce
This study focuses on high-dimensional text data clustering, given the inability of K-means to process high-dimensional data and the need to specify the number of clusters and randomly select the initial centers. We propose a Stacked-Random Projection dimensionality reduction framework and an enhanced K-means algorithm DPC-K-means based on the improved density peaks algorithm. The improved density peaks algorithm determines the number of clusters and the initial clustering centers of K-means. Our proposed algorithm is validated using seven text datasets. Experimental results show that this algorithm is suitable for clustering of text data by correcting the defects of K-means.
Název v anglickém jazyce
High-Dimensional Text Clustering by Dimensionality Reduction and Improved Density Peak
Popis výsledku anglicky
This study focuses on high-dimensional text data clustering, given the inability of K-means to process high-dimensional data and the need to specify the number of clusters and randomly select the initial centers. We propose a Stacked-Random Projection dimensionality reduction framework and an enhanced K-means algorithm DPC-K-means based on the improved density peaks algorithm. The improved density peaks algorithm determines the number of clusters and the initial clustering centers of K-means. Our proposed algorithm is validated using seven text datasets. Experimental results show that this algorithm is suitable for clustering of text data by correcting the defects of K-means.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Wireless Communications & Mobile Computing
ISSN
1530-8669
e-ISSN
—
Svazek periodika
2020
Číslo periodika v rámci svazku
OCTOBER
Stát vydavatele periodika
GB - Spojené království Velké Británie a Severního Irska
Počet stran výsledku
16
Strana od-do
—
Kód UT WoS článku
000594623600001
EID výsledku v databázi Scopus
—