Optimización del agrupamiento de documentos de texto K-means utilizando indexación semántica latente y algoritmo de pilares

El agrupamiento de documentos es una herramienta importante para ayudar a gestionar la gran cantidad de documentos de texto digitales. Este artículo introduce un nuevo enfoque para agrupar documentos de texto. Primero, el texto se preprocesa e indexa utilizando un índice invertido. Luego, el índice se recorta utilizando umbrales TF-DF. Después de eso, se construye una Matriz Término Documento basada en TF-IDF. El siguiente paso utiliza la Indexación Semántica Latente para extraer características importantes de la Matriz Término Documento. El proceso siguiente consiste en seleccionar semillas a través del algoritmo de Pilares. Basado en las semillas determinadas, se realiza el agrupamiento K-Means. El resultado del experimento demuestra que este enfoque supera al agrupamiento de documentos K-Means estándar.