當我們在談論kmeans（1）

引言

　　當希望快速了解或回顧某些算法的發(fā)展時，一般而言，大家都會選擇閱讀綜述性文章，然后有選擇性的閱讀部分論文。而這種高效率的做法的負面，就是比較無趣的體驗，畢竟一直都行走在別人規(guī)劃好的思路中，總感覺少了點趣味性。 
　　此系列文章一方面旨在回顧一些算法的歷史演變軌跡；同時，看看能否挖掘出更多有趣或有意義的信息，讓算法之路走的歡脫一點。 
　　作為練手，本次先從k-means這個最基本的機器學習算法之一開始。

數據準備

　　從IEEE上抓取“標題或摘要中含有kmeans或相關關鍵詞的論文”的部分公開信息，對于現在已有的信息，我關注的主要是title、authors、keywords、abstract、publicationYear、isConference（是否是會議文章）。抓取到數據后，將數據存入mongodb，后續(xù)使用python+jupyter來分析。 
　　受限于抓取難度，以及本人初步的爬蟲水平，并沒有抓reference，這對接下來的數據挖掘是一個遺憾。若有同學比較擅長爬蟲，歡迎私信或留言交流！（IEEE的網站說明里聲明禁止爬蟲，因此政治正確上最好是不要去爬的，此處也不討論具體的技術細節(jié)）

數據總覽

論文數量

　　1969-2016年，每年IEEE收錄關于kmeans的論文數量如下圖。其中藍色表示當年總文章數量，綠色表示當年期刊論文數量，紅色表示當年會議文章數量。 
 
　　從圖中可以得出以下幾點結論： 
　　1.1990年以前，kmeans相關文章很少，多的時候每年出版的總文章數量是1，少的時候則沒有任何相關文章出版；90年代作為明顯的過渡期，其之前與之后論文數量與趨勢的變化是翻天覆地的； 
　　2.會議文章占了總文章數量的絕大多數：在抓取的6000多篇文章中，會議文章總5476篇，而期刊數量540篇，只有會議文章的1/10；而每年的會議文章跟期刊文章的比值也差不多這個數； 
　　3.kmeans相關會議文章數量在2005-2010和2013-2015幾年間出現了爆炸性