High-Dimensional Text Clustering by Dimensionality Reduction and Improved Density Peak

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>

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.

Druh

J_imp - 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)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Wireless Communications &amp; 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

—