مروری برالگوریتم بهینه سازی پروانه میوه هیبریدی با K-MEANS برای خوشه بندی اسناد متنی

اطلاعات مرتبط و تجزیه و تحلیل آن بسیار چالش برانگیز است. خوشه بندی اسناد متنی، یک فرآیند استخراج داده های متنی است که مجموعه اسناد مبتنی بر متن را به گروه های متقابل و انحصاری تقسیم می کند، به گونه ای که اسناد در یک گروه با یکدیگر شبیه هستند، در حالی که اسناد از گروه های مختلف بر اساس محتوا متفاوت هستند. یکی از بزرگترین چالش ها در خوشه بندی متنی، تقسیم بندی مجموعه داده های متنی با اندازه گیری مرتبط بودن محتوای موجود در اسناد است. در این مقاله الگوریتم هوش گل میخک هیبریدی با الگوریتم کی-مینز برای خوشه بندی متنی پیشنهاد شده است. در ابتدا، الگوریتم بهینه سازی پروانه میوه هیبریدی بر روی ده تابع بنچمارک CEC۲۰۱۹ بدون محدودیت آزمایش شده است. سپس روش پیشنهادی بر روی شش مجموعه داده متنی بنچمارک استاندارد ارزیابی شده است. ارزیابی تجربی روی توابع بدون محدودیت، و همچنین بر روی اسناد مبتنی بر متن، نشان داد که رویکرد پیشنهادی قوی و برتر نسبت به سایر روش های مدرن است.

کلیدواژه ها:

یادگیری ماشین ، خوشه بندی اسناد متنی ، الگوریتم های متاآماری ، الگوریتم بهینه سازی پروانه میوه ، کی- مینز