第二章 文獻探討
2.2 D OCUMENT C LUSTERING
著高聚類係數（Clustering Coefficient）和資料間的平均距離短的問題，聚類 係數高代表社區結構強且複雜，無法輕易給予明確的定義。他們考量了許多研究 方法，像是 Newman 關於社區結構的研究，以及圖分割的概念，但這些方法應用 於此皆為 NP-hard，最後他們採取了 Dhillon 等人[15]將文件和字詞共同考量的 策略，將用戶與標籤建構成二分圖，與相比在計算上較不耗費時間。
2.2 Document Clustering
文字探勘是一種能從非結構化的文字中找出隱含資訊或知識的研究，透過資料擷 式大不相同，英語系語言是採單字成詞的概念，去除「Stop Word」後可以輕鬆 擷取單字，並且進行像是歧義詞之類的處理，但中文的字詞卻有可能是數個單
https://zh.wikipedia.org/wiki/%E6%96%87%E5%AD%97%E6%8E%A2%E5%8B%98
‧
章分群的研究，其中網誌的分群模組是透過向量空間模組（vector space model）
計算文章之間的相似度，接著採取階層式分群法，在該研究上，前處理的部分便
硬式分群指的是在結果上每一篇文件只會被分到一個群集中，如 K-means 分群法；而軟式分群則是可能將一篇文件同時分到一個以上的群集中，如 fuzzy clustering。而依據資料的部分可分成靜態與動態兩種類型，靜態分群是在分群 前必須搜集到所有資料，倘若新增資料便要重新分群；而動態分群則是能夠動態 調整新進文件內容。而結果呈現部分，扁平分群是依據維度以二維或三維呈現的 方式；階層分群則是以樹或階層方式來呈現。
‧
硬式分群（Hard Clustering）
軟式分群（Soft Clustering）
是否需要完整資料集
靜態分群（Static Clustering）
動態分群（Dynamic Clustering）
分群結果呈現
扁平分群（Flat Clustering）
階層分群（Hierarchical Clustering）
文件分群的運用十分廣泛，如[9]是將文件分群運用於搜尋引擎相關的研 究，其研究表示，搜尋引擎通常不會對搜尋結果進行過濾篩選，而資訊爆炸的時 代要如何將使用者所要的資料精確的找出，便是一個能夠使用到文件分群的議 題，該研究提出以關鍵字分群的方式來進行處理，其選用的方法是特徵選擇與特 徵關係之建立以及最後的特徵分群，透過建立特徵語意網路圖的方式，將關係度 較高的文字連結，計算相似度向量後以 Bisecting K-means 演算法進行文件分 群。K-means 是一種常見於分群研究的方法，[9]所採用的 Bisecting K-means 是 [41]所提出的一個基於 K-means 方法的研究，研究中探討階層式分群與 K-means 的利弊，階層式分群法以往被認為優於 K-means 演算法，原因在於階層式分群對 於資料分群的能力較佳，但比起 K-means 演算法，階層式的分群法效率較差。因 此 在 該 研 究 嘗 試 了 一 種 綜 合 以 上 兩 者 優 點 的 分 群 法 ， 也 就 是 Bisecting K-means，其研究在基本的 K-means 方法裡加入了相似度的計算，以群的內聚率
（Cluster Compactness）與分離度（Cluster Separation）來作為分群準則，
概念類似於本研究的凝聚率與鑑別率，[41]最後證實了 K-means 對於文件分群有 著比階層分群更加的效果，另外亦證實兩者合併的方式結果更佳。
‧
[36]之 Single Pass Clustering 便是一種非階層式的分群法，另外在[44]中亦 針對 Single Pass 演算法與 K-means 演算法進行了比較，研究中指出 Single Pass Clustering 是在 Topic detection and tracking（TDT）研究中使用最多的演算 法，優點在於運算速度極快且原理簡單，不過在文本輸入時，一旦順序發生變化，‧
此在研究中提出了自行開發的中文斷詞系統（Chinese Corpus Segmentation）， 配合國家圖書館主題標目來進行文件分群的前處理，其研究結果證實使用專業詞WordNet 最初是由 George Miller 所提出的自動化辭典概念，其搜集的字詞 皆為常見的英文單字，可針對一個概念用各種同義詞來描述。11透過這個方式，
再回到文件分群中的分群內容，除以上提及之分群法外，co-clustering 、 fuzzy clustering、clustering based on matrix factorization concept(NMF)、
model-based clustering、spectral clustering 等方法亦是近年文件分群受到 注目的方法[46]，在[46]中表示這些眾多的方法裡又以雙分群（co-clustering）
能 夠 針 對 文 件 與 字 詞 進 行 分 群 ， 有 效 率 處 理 高 維 度 矩 陣 最 為 有 效 。 fuzzy clustering 模糊分群，又稱為軟分群，其概念與 K-means 十分相似，但在 K-means 這類硬分群上，兩個群之間的關聯度呈現會是 1 或 0，而模糊分群中關聯度則可 能是 0 到 1 之間的所有數值[48]。在[46]的文獻中提及，fuzzy co-clustering 方法比起 fuzzy-c means 表現來的更佳，且時間複雜度也比 Non-negative matrix
11 資料來源：https://zh.wikipedia.org/wiki/WordNet
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
18
factorization（NMF）來的低。因此該研究提出了一種結合模糊分群、雙分群與 半 監 督 分 群 的 方 法 ， semi-supervised fuzzy co-clustering algorithm
（SS-HFCR），建造一個文件域（document domain）來約束文件「必須」或「不 能」分在同一類別中，透過用戶或其他資源來判斷文件的相似與不相似。
上述文獻提及了眾多的分群方法，階層式分析時間複雜度較高，而 Single Pass 則會有順序問題產生，K-means 是與之相比看似較佳的選擇，但考量文件分 群與社交媒體的特性，最後本研究選擇雙分群法來進行嘗試，而在 6.3.4 將會針 對 K-means 與 Minimum Squared Residue Co-Clustering 進行實驗比較。