Abstract
資料分群的技術是將一群資料集分成很多小集合，使得在同一集合□的資料都非常相似，而要達到這種功能需要一種計算兩個資料相似度的策略，傳統計算相似度的方法是將每一資料當做一長度為ｋ的向量，再利用一演算法計算兩資料間的相似度，像ｋ－ｍｅａｎｓ 演算法和Ｆｕｚｚｙｃ－ｍｅａｎｓ演算法等。在這篇論文裡我們介紹一種架構來做資料分群,在此架構裡每一資料被當成貝氏網路上的一個節點，藉由設定貝氏網路裡非根節點的條件機率，然後給定一些證據，就可以求出貝氏網路上其他節點可能機率值。貝氏網路是一種用來做機率推論方法，過去這幾年裡他已被拿來應用在很多不同的領域裡，像醫學診斷和資訊檢索等。這篇論文的想法主要來自貝氏資訊檢索，貝氏資訊檢索利用貝氏網路來計算文章和資訊要求間的相似度，它的優點是它可以模擬各種不同資訊檢索的模型，而且它還有一清楚的理論基礎（貝氏理論），所以我們採用這種方法來做文章分群。在這篇論文裡，我們還提出了兩個新的觀念，"相似區域"和相似頻率，我們利用相似區域去建構背氏網路，利用相似頻率去選擇種子文章。我們也提出一調整的方法刪除一群裡不相似的文章。當要將一文章分配給某一群時,每一篇文章可以唯一屬於一個群也可以屬於一個以上的群。