摘要: 随着社会进入信息化时代，快节奏的生活带来了丰富的学习资源，这些资源变得越来越精炼，并伴随着碎片化的时间变得越来越碎片化。作为一种不受时间和地点限制的学习方式，微学习成为目前较为流行的学习手段。学习者通常通过向MOOC、微博等平台获取微... 展开 随着社会进入信息化时代，快节奏的生活带来了丰富的学习资源，这些资源变得越来越精炼，并伴随着碎片化的时间变得越来越碎片化。作为一种不受时间和地点限制的学习方式，微学习成为目前较为流行的学习手段。学习者通常通过向MOOC、微博等平台获取微学习资源，并能够根据自己需要进行有效的学习。但是微学习资源爆炸式的增长带来了大量未经组织处理的文本资源，大量以碎片化形式呈现的微学习资源为学习者的使用带来极大的不便。 为让学习者能在碎片化的资源中找到适合于个性化学习的内容，对以文本形式的微学习资源进行聚类是很有必要的。传统的文本聚类算法应用于微学习单元文本聚类时存在聚类效果不佳的问题，而密度峰值算法(CFSFDP)作为一种基于密度的聚类算法具有较好的性能，故本文将密度峰值算法引入微学习单元文本聚类。考虑到密度峰值算法在微学习单元文本聚类场景中应用时存在一些不足需要改进，为此，本研究尝试将经过改进的密度峰值算法应用于微学习单元文本聚类。 针对密度峰值算法在该领域聚类时存在向量空间高维稀疏、全局一致性不足、截断距离(dc)敏感、选择密度峰值中心需要人工监督等问题，本研究使用潜在语义分析模型（LSA）建模，并提出两点改进： （1）引入密度敏感距离作为聚类的判据，并重新定义局部密度的定义方式以此解决截断距离敏感性问题以及聚类分配时全局一致性问题。 （2）用线性拟合寻找野值点来自动寻找密度峰值中心，以实现非人工监督的峰值中心选取问题。 本文提出的算法通过与经典的K-means、DBSCAN本文聚类算法以及与较好的密度峰值算法DPC-KNN进行对比，在MATLAB上使用微学习单元真实数据集进行模拟实验，并通过一系列经典指标验证实验结果。微学习单元真实数据集实验验证结果表明，本提案比原算法以及其他经典聚类算法更适合于微学习单元文本聚类。通过该算法可以合理的组织微学习单元文本资源，以此能够为学习者提供最佳的学习体验。 收起