初始中心和相似性度量方法的选择都会影响K-means算法精准程度,论文研究的目的是引入新的相似性度量方法和初始中心参数选择技术,从而提高算法的准确度。论文研究内容及方法如下:首先,论文引入密度极小值理论,基于密度参数的基础上,利用欧氏距离计算数据集的密度参数,获取所有的密度参数之后,获取K个中心,如果数据对象A到K个中心具有相同的距离,此时排序簇中数据对象到A的密度距离,选择最小的密度距离并将A归至对应的类中,这就可以使数据对象与邻近的数据对象变得更加紧凑,表明数据对象与邻近对象密度更高,能够更加准确的反映数据集内部的分布式结构关系。其次,论文引入互信息作为相似性度量方法,可以利用互信息评估数据对象之间互相包含的程度,适用于模糊度较高的文档数据以及上下文信息包含量较大的应用场景,比如在文本聚类中,如果两篇文章同属于一个簇,这两片文档的特征词含量一般重叠的较多,因此可以更加准确的发现数据集潜在的结构。论文实验结果表明,引入密度极小值设置初始中心,可以提高K-means算法的准确度;利用互信息改进K-means算法的相似性度量,改进后的K-means算法能够较准确描述数据对象之间的关系,反映数据集的内部结构分布特征,提高数据聚类的稳定性和准确性。改进的K-means算法应用于文本文档聚类过程中,与传统的K-means算法相比,可以提高文本聚类的准确度,能够提高网络文本聚类效果。