2016年Yonggang Lu等人提出了一种移动时间层次聚类算法TTHC(Travel-Time based Hierarchical Clustering)。TTHC算法根据对数据点势能的分析,采用全新的以移动时间为基础的相似性度量,能够获得更佳的聚类效果和聚类精度。但是TTHC算法也有着一些问题:TTHC算法得事先人工设置类簇个数,并且TTHC算法在给数据点分配类别的时候只根据数据点与数据点的相似度,TTHC算法没有考虑到数据点的势能和数据点到其父节点的距离的影响;TTHC算法不能对数据集里的噪声数据作出识别,噪声数据容易干扰聚类结果,以上问题限制了TTHC算法的应用。本文改进了TTHC算法的以上问题,然后把改进之后的ACTT算法和APCTT算法运用到微博文本聚类里。本文详细内容主要有如下几方面:(1)针对TTHC算法人工设置类簇中心个数且在给数据点分配类别的时候产生问题,提出了一种自动确定聚类中心的移动时间势能聚类算法(ACTT:Automatically Clustering based on Travel-Time)。ACTT算法先是计算数据点的势能和数据点之间的相似度,然后通过相似度来确定数据点的父节点,从而得到与父节点的距离;其次依据数据点与父节点的相似度以及距离和数据点的势能计算综合考量值,基于综合考量值自动确定聚类中心;最后,把剩余数据点分配到比其势能小且和其相似度最大的数据点所在类簇,获得聚类结果。经理论的推导与实验结果的比较分析,ACTT算法可以自动确定类簇中心,此外ACTT算法对数据点的类别分配机制进行了优化,算法效果也更好。(2)针对TTHC算法无法识别出数据集中的噪声数据且聚类结果易受噪声数据的影响的缺陷,提出了抗噪的移动时间势能聚类算法(APCTT:Anti-noise Potential Clustering Algorithm based on Travel-Time)。APCTT算法首先计算每个数据点的势能和数据点之间的相似度,再根据相似度寻找每个数据点的父节点,从而计算数据点与父节点的距离;其次依据数据点与父节点的距离和数据点的势能获得?值,根据?值大小构建递增曲线,通过寻找递增曲线中的拐点来识别出噪声点,把噪声数据归到一个新类簇中去;最后对去除噪声点后的数据集按照数据点与父节点的距离进行层次聚类,获得聚类结果。通过理论证明和对比实验,APCTT算法能够识别出数据集中存在的噪声数据点,从而能够取得更优的聚类结果和聚类准度。(3)将本文提出的ACTT算法和APCTT算法应用到了微博文本聚类中。首先收集微博文本数据,然后对文本数据进行预处理,再对处理后的数据提取特征以及权值计算,最后对经过PCA降维后的权值矩阵聚类,根据实验来比较每个聚类算法的性能,证明了ACTT算法和APCTT算法的实际价值。