CLUTO聚類工具

1 CLUTO聚類工具

1.1工具介紹

CLUTO是一個聚類低維和高維數據集的軟件包，用於分析各類類別的特徵。CLUTO提供三種聚類算法，既能夠直接在聚類對象的特徵空間上直接聚類，也能夠按照對象的類似空間來聚類。這些算法爲基於切分的、基於凝聚的和基於圖形切分的。

在CLUTO中實現了六種基本的短文本聚類算法，這些算法分別是rb（重複二分法），rbr，direct（直接聚類），agglo（凝聚聚類），graphct（圖形聚類）和bagglo。

CLUTO的下載地址：http://glaros.dtc.umn.edu/gkhome/cluto/cluto/overview

CLUTO 聚類器爲命令行調用。將測試的文本數據 集轉化爲 CLUTO 能識別的文件格式，CLUTO的數據格式說明以下表所示：

 

 

Doc2mat，這個工具提供了這一功能。CLUTO的官網提供了下載地址：

http://glaros.dtc.umn.edu/gkhome/cluto/cluto/download

而Doc2mat的數據轉換，須要用到Perl工具。Perl 被稱爲「實用報表提取語言」（Practical Extraction and Report Language）。Perl 是一種能完成任務的語言。從一開始，Perl 就設計成能夠把簡單工做簡單化，同時又不失去處理困難問題能力的語言。它能夠很容易操做數字，文本，文件和目錄，計算機和網絡，特別是程序的語言。Perl下載地址：http://strawberryperl.com/。

1.2 Perl 安裝及使用

（1）首先，要搭建一個Perl運行的環境：這裏下載的是strawberry-perl-5.22.2.1-32bit.msi。點擊該文件，按照安裝提示，安裝就OK了。這裏個人安裝路徑是: c:\strawberry。

（2）檢查perl是否已經在系統的path環境變量中：

點擊：開始->運行，輸入cmd，而後運行perl  -v。

若是能顯示perl的版本，說明你的perl已經在PATH環境變量中；若是顯示「不是內部命令也不是外部命令」，那參照如下流程把perl加入PATH環境變量：

第一步：右鍵單擊個人電腦，選擇「屬性」，點擊「高級選項卡」，單擊「環境變量」，在「系統變量」下面去找PATH，

第二步：選中PATH，單擊「編輯」，再添加「c:\strawberry\perl\bin」，而後點擊肯定，修改完成。再照着上面的方法，驗證一下是否添加成功。

注意：要在修改完了以後從新打開一個命令行窗口，要否則看不到修改的結果。

（3）編輯Perl代碼：在windows下用記事本就能夠了，如：在記事本里輸入以下內容：

#! /usr/bin/perl

print "hello,world\n";

而後保存爲後綴爲「perl.pl」的文件，保存在d:\perl文件夾中。

（4）運行Perl程序：開始->運行->cmd，而後用「cd」把路徑調到剛纔保存perl程序的地方，這裏就是輸入「 cd d:\perl"(此爲以前perl.pl文件的保存文件夾）。在出現的 「d:\perl」後的命令行中輸入「 perl perl.pl」，便可顯示出「hello,world」。

運行結果以下：

 

 

1.3 doc2mat 安裝及使用

將下載的doc2mat-1.0.tar.gz解壓獲得以下文件：

 

 

其中，ds1.raw爲提供能夠被轉換成一個cluto兼容使用命令的文件例子。

方法一：

第一步：打開命令行，用「cd」把路徑調到保存doc2mat以及ds1.raw所在的文件夾。其中，doc2mat與ds1.raw在同一文件夾下。ds1.raw中數據以下：

 

 

第一列爲文件編號；後序爲文件中的詞語，用空格隔開。

第二步：在命令行中輸入以下命令：

perl doc2mat -nlskip=1 ds1.raw da1.mat

da1.mat爲轉換後的目標文件，文件格式爲cluto可以識別的.mat文件，保存在doc2mat與ds1.raw所在文件夾下。運行流程以下：

 

 

doc2mat所在文件夾中增長以下3個文件：

 

 

其中ds1.mat中數據格式以下：

 

 

方法二：

在命令行中輸入以下命令：

perl e:\CLUTO\doc2mat-1.0\doc2mat -nlskip=1 e:\CLUTO\doc2mat-1.0\ds1.raw e:\CLUTO\doc2mat-1.0\da1.mat

即在命令中加入各文件的所在的路徑，則可不須要進入到工具及文件所在的目錄。

1.4 中文

doc2mat對中文的轉換尚未實現，苦惱中，求解決方案啊啊啊啊啊啊