迭代分类增强短文本聚类

Jan, 2020

Enhancement of Short Text Clustering by Iterative Classification

Md Rashadul Hasan Rakib, Norbert Zeh, Magdalena Jankowska, Evangelos Milios

TL;DR本文提出了一种基于迭代分类的短文本聚类方法，该方法通过离群值去除、分类算法训练和重新聚类等操作，使得短文本聚类的准确性得到了显著提升。实验结果表明，相对于其他聚类方法和现有的短文本聚类方法，该方法在多个短文本数据集上的聚类效果更好。

Abstract

short text clustering is a challenging task due to the lack of signal contained in such short texts. In this work, we propose iterative classification as a method to b o ost the clustering quality (e.g., accuracy) of short texts. Given a clustering of short texts obtained using an arbi

short text clustering iterative classification outlier removal classification algorithm clustering enhancement

发现论文，激发创造

增量层次文本聚类方法：综述

这篇论文旨在分析 2010 年至 2018 年期间发表的各种层次和增量聚类技术，以进一步组织和比较文本聚类的相关研究，从而提供对该领域研究的更好理解。

Dec, 2023

一种文本聚类的通用分类增强迭代学习框架：CEIL

提出了一种基于分类增强迭代学习架构的短文本聚类方法 CEIL，该方法使用语言模型和提出的 Category Disentangled Contrastive Clustering （CDCC）算法来迭代地改进特征表示。实验证明，CEIL 框架在各种聚类算法上显著提高了聚类性能，并超过了其他强基准方法。

Apr, 2023

自学习卷积神经网络用于短文本聚类

本文提出了一种名为 STC^2 的灵活自学习卷积神经网络框架，通过未监督学习的方式，将原始的短文本特征转化为紧凑的二进制代码，并利用卷积神经网络学习深层次的特征表示，通过 K-means 聚类方法得到最佳聚类效果，实验结果表明该方法优于其它常见的短文本聚类方法。

Jan, 2017

利用深度表示学习进行短文本半监督聚类

提出了一种半监督的短文本聚类方法，使用神经网络将文本表示为分布式向量，并使用少量标记数据来指定聚类目标，并通过设计新的目标将表示学习过程和 k 均值聚类过程结合在一起优化，最后迭代地用已标记和未标记的数据来优化整个目标，得到了比其他文本聚类方法更好的实验结果。

Feb, 2016

模仿人类过程：通过潜在语义聚类进行文本表示的分类

通过聚类单词并组合成文本向量的新文本表示方案，在 5 个分类基准测试中得到了有效的评估结果，并通过可视化分析验证了其有效性。

Jun, 2019

从图像到文本分类：一种基于聚类词嵌入的新方法

本文提出了一种基于聚类词向量的文本分类方法，使用 K 均值算法构建超级词向量表征，建立特定于类别的词汇表以提高性能，在主题分类和极性分类任务中表现优异。

Jul, 2017

文本引导的图像聚类

通过使用图像标题生成和视觉问答 (VQA) 模型生成文本，并基于生成的文本进行聚类，本研究在八个不同的图像聚类数据集中展示了得到的文本表示经常优于图像特征。此外，我们提出了一种基于计数的聚类解释方法，在聚类准确性不太高的情况下，基于关键词的解释能更好地描述聚类结果。整体而言，这项研究挑战了传统方法并为使用生成的文本进行图像聚类铺平了道路。

Feb, 2024

短文本聚类的联邦学习

本文提出了一种面向分布式短文本聚类的联邦鲁棒短文本聚类（FSTC）框架，该框架通过创新地将最优输运与高斯 - 均匀混合模型相结合，旨在以有效的数据训练模型并确保伪有监督数据的可靠性，在客户端间以高效的方式交换知识而不共享原始数据，从而显著优于基准联邦短文本聚类方法。

Nov, 2023

基于聚类的生成不完整图像文本聚类 (CIGIT-C)

本研究针对多模态数据，使用一种基于生成网络的不完整图文聚类方法，旨在解决实际情景中数据不完整的问题，并在公开数据集上验证了其性能优于已有方法。

Sep, 2022

基于文本条件的图像聚类

本文介绍了一种基于用户指定的文本条件的图像聚类方法，通过利用现代视觉语言模型和大型语言模型，它提供了对聚类结果的直接控制，实验结果表明这种方法能够有效地以多种标准聚类图像，并显著优于基准方法。

Oct, 2023