خوشه‌بندی متن عمیقِ بهبودیافته با استفاده از منیفولد محلی تعبیه‌شده خودرمزگذار

خوشه‌بندی متن، روشی برای جداسازی اطلاعات از دادگان متنی است که می‌تواند متن را براساس موضوع و احساس طبقه‌بندی کند و اخیرا مورد توجه بسیاری قرار گرفته است. روش‌های مبتنی برخوشه‌بندی عمیق به دلیل دقت بالا، در میان تکنیک‌های خوشه‌بندی از اهمیت ویژه‌ای برخوردار هستند. این روش‌ها شامل دو جزء اصلی کاهش ابعاد و خوشه‌بندی می‌باشد. بسیاری از روش‌های پیشین عمیق، از خودرمزگذار برای کاهش ابعاد استفاده کرده‌اند. با این‌حال، آنها قادر به کاهش ابعاد بر اساس ساختارهای منیفولد نیستند و نمونه‌هایی که شبیه یکدیگر هستند لزوماً در ابعاد پایین نیز در کنار یکدیگر قرار نمی‌گیرند. در این مقاله، ما یک روش خوشه‌بندی متن عمیق را براساس یک منیفولد محلی در لایه خودرمزگذار (dctma) توسعه می‌دهیم که از ماتریس‌های شباهت متعدد برای درنظرگرفتن جهت، اندازه و معنا استفاده می‌کند، به‌طوری که ماتریس شباهت نهایی از میانگین این ماتریس‌ها به‌دست می‌آید. ماتریس به‌دست آمده به لایه بازنمایی پنهان در خودرمزگذار اضافه می‌شود. هدف اصلی dctma تولید بازنمایی‌های مشابه برای نمونه‌های متعلق به یک خوشه است. پس از کاهش ابعاد با دقت بالا، خوشه‌ها با استفاده از خوشه‌بندی عمیق انتها به انتها شناسایی می‌شوند. نتایج تجربی نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های پیشرفته فعلی در مجموعه دادگان متنی، عملکرد خوبی دارد

an improved deep text clustering via local manifold of an autoencoder embedding

text clustering is a method for separating specific information from textual data and can even classify text according to topic and sentiment, which has drawn much interest in recent years. deep clustering methods are especially important among clustering techniques because of their high accuracy. these methods include two main components: dimensionality reduction and clustering. many earlier efforts have employed autoencoder for dimension reduction, however, they are unable to lower dimensions based on manifold structures, and samples that are like one another are not necessarily placed next to one another in the low dimensional. in the paper, we develop a deep text clustering method based on a local manifold in the autoencoder layer (dctma) that employs multiple similarity matrices to obtain manifold information, such that this final similarity matrix is obtained from the average of these matrices. the obtained matrix is added to the bottleneck representation layer in the autoencoder. the dctma’s main goal is to generate similar representations for samples belonging to the same cluster, after dimensionality reduction is achieved with high accuracy, clusters are detected using an end-to-end deep clustering. experimental results demonstrate that the suggested method performs surprisingly well in comparison to current state-of-the-art methods in text datasets.