Clustering et classification hiérarchique en text mining

Cet article est une ébauche à compléter. Une ébauche est une entrée ayant un contenu (très) maigre et qui a donc besoin d'un auteur.

Définition d'une distance

Voir Text Mining#Similarité pour un survol.

à détailler un peu plus ici

Autres bases possibles pour la classification

D'autres bases existent pour la classification que la définition d'une distance poiur définir la similarité entre deux termes. On peut voir à ce sujet Aggarwal & Zhai qui distinguent

• la méthode LSI (Latent Semantic Indexing) qui cherche a grouper les termes synonymes avant la classification. A ce sujet, voir Senellart & Blondel in Berry & Castellanos (2007), p25
• la méthode NMF (Non-negative Matrix Factorisation) dont le but est d'extraire de la matrice termes-documents un ensemble plus restreint de caractéristiques sur lesquelles seront appliqué la classification.
• les méthodes basées sur l'entropie

ou encore Pons & Latapy au sujet des marches aléatoires.

Références

• Berry, M. & Castellanos, M. (2007) Survey of Text Mining: Clustering, Classification, and Retrieval, Second Edition PDF

• Aggarwal, C. & Zhai C. (2012). A Survey of Clustering Algorithms, in Mining Text Data, Springer. ch4 PDF

• Grivel, L. (s.d.) Outils de classification et de catégorisation pour la fouille de textes. http://www.irit.fr/SDC2006/cdrom/contributions/Grivel-isko-sdc.pdf PDF]

• Feinerer, I., Hornik, K. & Meyer, D. (2008). Text Mining Infrastructure in R. Journal of Statistical Software, 25. PDF

• Pons, P. & Latapy, M. (2005) Computing communities in large networks using random walks PDF

Manuel R

• kmeans : K-Means Clustering

• hclust : Hierarchical Clustering

Références informelles

• Beloshytski, A. TextMining with R

• Ryciak, N. Text mining in R – Automatic categorization of Wikipedia articles

• Wikipedia Cluster analysis

• Wikipedia Hierachical clustering

• Wikipedia Partitionnement de données

• Wikipedia Non-negative Matrix Factorisation