摘要：针对k-means聚类算法对初始聚类中心敏感，容易陷入局部最优的情况，提出一种改进的基于k-means算法的新闻聚类方法。在用传k-means算法对新闻数据集进行多次聚类的基础上，使用證据累积算法对k-means算法的聚类结果进行融合，以平滑k-means算法的结果，减少波动。实验结果表明提出的方法使聚类结果的准确率从53.33%提升至77.78%。
　　关键词：k-means;新闻;聚类分析;融合;分级聚类
　　中图分类号：TP391 文献标识码：A
　　文章编号：1009-3044（2020）10-0201-03
　　随着互联网的高速发展，人们已经迈向了一个信息化的时代，互联网上的信息交流和获取逐渐取代了传统的电视、报纸、书信等传统媒体。截至2019年6月，中国网民规模为8.54亿人，互联网普及率达61.2%，网站数量518万个。人们每天通过浏览器或者新闻APP看新闻产生大量点击记录，对人们点击的海量新闻进行分析，可以获知特定时间和特定范围内公众最关心的热门事件，进而可以在信息爆炸的互联网时代帮助人们更快、更好、更有效地获取有用的信息。如何快速、有效地在海量新闻浏览记录中发现其中的趋势和主题，不仅能够帮助个人更准确地了解全社会关注的热点事件，同时还能辅助国家及时发现网络舆情事件、趋势，在网络舆情分析、重大网络事件监测防御、信息网络安全等领域具有极其重要的现实意义。
　　聚类分析旨在分析数据过程中发现数据对象之间的相互关系，将数据依据一定原理进行分组，各分组结果内的相似性越大，各分组之间的差别就越大，聚类效果越好。k均值（k-means）聚类算法具有快速、简单的特点，对大数据集有较高的分析效率。
　　本文提出了一种结合k-means算法与分级聚类算法的方法，利用k-means算法对预处理过的新闻数据集进行多次聚类，然后用证据累积算法融合多次聚类得到的结果，减少波动。本文对搜狐新闻数据进行分析，考查本文方法的聚类效果，并与传统k-means算法的聚类效果进行比较，体现本文方法的优势。
　　1算法简介
　　1.1k-means算法
　　k-means算法采用迭代更新的思想，该算法的目标是根据输入的参数k将数据对象聚成k簇，其基本思想为：首先指定需要划分的簇的个数k值，随机地选择k个初始数据对象作为初始聚类或簇的中心;然后计算其余的各个数据对象到这k个初始聚类中心的距离，并把数据对象划分到距离它最近的那个中心所在的簇中，然后根据公式：
　　1.3 k-means算法优缺点
　　k-means算法是解决聚类问题的经典算法，这种算法简单快速。当结构集是密集的，簇与簇之间区别明显时，聚类的结果比较好。在处理大量数据时，该算法具有较高的可伸缩性和高效性。
　　但是，目前传统的k-means算法也存在着许多缺点：
　　（1）k-means聚类算法需要用户事先指定聚类的个数k值。在很多时候，在对数据集进行聚类的时候，用户起初并不清楚数据集应该分为多少类合适，对k值难以估计。
　　（2）对初始聚类中心敏感，选择不同的聚类中心会产生不同的聚类结果和不同的准确率。随机选取初始聚类中心的做法会导致算法的不稳定性，有可能陷入局部最优的情况。
　　1.4分级聚类算法
　　分级聚类是一种自底向上的聚类方法。它的主要思想是：首先将每个样本自定义为一类，然后逐步合并，直到最后聚为一类或者达到要求为止。
　　对于给定的n个样本集合x={x1，x2，...xn}，分级聚类方法的具体步骤如下：
　　（1）x中每个样本Xi均自成一类ci，这样就构建了一个初始聚类C={c1，c2，...，cn};
　　（2）计算c中每对类（ci，ci）之间的相似度sim（ci，cj）;
　　（3）选择最大相似度的类对Max（sim（ci，ci）），并将其合并为一个新类Ck-CiUci，构成一个新的聚类c={c1，c2，...，ck..，cn-1};
　　（4）如果C中只有一个类或C已经达到要求，则结束;否则转到（2）。
　　分级聚类实际上将产生一棵树，底部叶子结点代表n个样本，根结点为最后聚为一类的情况，中间的某层代表其中的一种聚类。
　　2改进的k-means算法
　　传统的k-means算法对初始聚类中心敏感，聚类结果随不同的初始聚类中心而波动。针对k-means聚类算法中随机选取初始聚类中心的缺陷，本文提出了一种改进的方法，步骤如下：
　　（1）准备好数据集D={d0，d1，d2，...，dn-1}，数据集中共有n条数据。
　　（2）对簇的数目k取2到19，对于每一次聚类结果，计算惯性权重，画出k值一惯性权重折线图，根据肘点法，选择最合适的簇的数目k1。
　　（3）使用k-means聚类算法对数据集进行多次聚类，每次聚类，k从区间[k1-m，k1 j]随机取值（m