《表1 问卷设计框架：改进灰狼优化算法的K-Means文本聚类》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《改进灰狼优化算法的K-Means文本聚类》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

实验结果评估方法：类内距离之和、准确率、召回率和F值。其中，类内距离之和越小代表数据聚合度越高；准确率与召回率都是介于0到1之间，两者结果越靠近1，代表文本聚类算法的查全率越高；F值大小也在0和1之间，其值越大，代表聚类效果越真实可靠。并且将本文所提IPSGWO-KMeans文本聚类算法与传统K-Means算法、IPSK-Means算法以及GWO-KMeans算法[15]进行文本聚类实验对比，其中类内距离之和的收敛情况如图1所示；为了更好地验证所提算法的文本能力，在各个算法稳定状态时，分别取一次较好的准确率、召回率和F值的实验结果进行对比，结果记录如表1所示，加黑字体为实验较优结果。