K-means聚类算法适用于小规模和低维度数据集,对于高维度大规模的数据集,其聚类精度明显下降,计算时间明显加长。k-means聚类算法运行前必须事先给出聚类k值,其聚类结果对初始聚类中心点的选则具有很大的依赖性和随机性,并且极易受噪声点的干扰导致聚类结果不准确。针对K-means算法这些缺陷,论文提出了一种基于属性加权的PWPCA-KDKM改进算法。论文提出的PWPCA算法将主成分分析(PCA)与线性判别分析(LDA)相结合,使用线性判别分析(LDA)的线性映射与主成分分析(PCA)对高维度大规模数据集进行降维,通过计算各维度的贡献率确定每一维度的权值,利用最小二乘法进行拟合,对于特征权值接近为零的维度进行约简,从而达到属性加权特征选择方式来提取主要维度属性的效果。然后,利用PWPCA算法对精简维度后的数据集进行KDKM聚类,大大降低了算法计算复杂度,提高了 K-means聚类的准确性。与其它聚类分析算法相比,实验表明:通过PWPCA数据降维的KDKM算法可以有效地解决异常点对聚类结果的干扰,大大提高海量高维数据的聚类精度。论文提出了一种基于PWPCA算法的PWPCA-KDKM,基于PWPCA对数据集的进行降维,提取出主属性,加速聚类。借助k’dist曲线图来确定聚类簇数k值,取第i(i≤k)段平缓曲线上所包含点的均值作为第一初始聚类中心。使用基于密度和最小距离算法,从剩余的数据对象中选择k-1个初始聚类中心,使用传统的K-means算法,将集合中的剩余数据对象分到最近的集群中心所在的集群,计算聚类质量评价函数(BWP)的值来评价本次的聚类效果。以此重复k次,将具有最大聚类评价函数值的组作为最终聚类结果。实验证明:PWPCA-KDKM算法在UCI数据集上获得的聚类结果比传统K-means算法聚更准确,聚类结果更稳定。传统的微博舆情分析往往是漫无目的的在微博平台搜寻热点话题,执行效率低、结果不准确。论文分析了微博用户的特点,首先对微博用户的兴趣爱好进行分析,分析之后将关注娱乐、体育等非敏感信息领域的微博用户排除,只关注论文中定义的敏感用户,通过热点话题聚类结果分析表明此种方式结合PWPCA-KDKM算法使得微博监测系统的聚类结果更加准确和细化,更接近实际应用的聚类分析结果。