文档讨论了MSN用户的聚类分析，介绍了如何使用k-means算法进行中文文本的分词和清理无用数据。重点在于利用k-means计算文本的相似度和分群，分析了优缺点以及停止条件。整体内容涉及中文处理、文本相似度计算及聚类方法的应用。

1. MSN Users Clustering
日落
2009.05.18

2. Introduction
 What is MSN for ?

3. Introduction
程式設計
美食
阿宅
嘴炮

4. Introduction
 讀取對話記錄
 中文斷詞
 清除無用資料
 K-mean

5. 中文斷詞
 雞哥是蘿莉控
 雞哥 / 是 / 蘿莉 / 控

6. 中文斷詞
 中研院中文斷詞系統 (CKIP)
 Yahoo 斷章取義

7. 清除無用資料
痴漢：哈囉
正妹：哈囉 關鍵字：
 自拍
痴漢：你喜歡自拍嗎？
 洗澡
正妹：掰掰......去洗澡

8. 清除無用資料
 全形、半形符號
 大小寫英文
 注音
 代名詞：你、我、他
 結構助詞：的、地、得
 關連詞：因為、所以、然後、結果
 嘆詞：嗨、啊、喔、嗚、科科....... etc

9. 清除無用資料
我們晚上去 85℃喝咖啡
去喝咖啡

10. 清除無用資料
歐趴糖

11. K-mean
 計算距離
 取得重心
 分群

12. K-mean - Text Retrievaling
 我讀逢甲大學
相似度高
 我是逢甲大學學生
相似度低
 我是大學生

13. K-mean - Text Retrievaling
 我讀逢甲大學
逢甲 / 大學
 我是逢甲大學學生
大學
 我是大學生

14. K-mean - Text Retrievaling
 相似度
重複次數
集合中詞彙總數

15. K-mean - Text Retrievaling
 我讀逢甲大學
2
= 29%
7
 我是逢甲大學學生
1
我是大學生 = 14%

7

16. K-mean - Text Retrievaling
 資料間的距離
= 1 - 相似度

17. K-mean - Text Retrievaling
 U1 = { 1, 2, 3, 4 }
U2 = { 1, 2, 3 }
U3 = { 1, , 5, 6 }
U1 U2 U3
U1 0
U2 0.25 0
U3 0.83 0.80 0

18. K-mean - Text Retrievaling
 優點
 容易計算
 缺點
 陣列大小 = N x N

19. K-mean - Clustering
 K：分群數量
 K = 1, 2, 3 .... ?

20. K-mean - Clustering
 K=2？
①
②

21. K-mean - Clustering
工具可分很多種

22. K-mean - Clustering
 停止條件
 重心多次沒有改變
 重心計算超過 m 次
 群集小於 n

23. Q & A