发明名称 |
一种新的基于特征向量的中文Web文档表示方法 |
摘要 |
本发明公开了提出了一种新的基于特征向量的中文Web文档表示方法,该方法包括:将中文词典分词法进行算法扩展,使其能够通过拼接零散词的方式发现新词,并扩展分词词典;将词—文档向量矩阵扩展为词—事务向量矩阵,并利用关联规则挖掘算法,在词—事务向量矩阵中挖掘出置信度高于经验阈值的规则,将规则中的词聚为一类,降低了特征向量空间的维数。利用本发明,解决了目前中文Web文档的向量表示中,不能将新词表示出来的缺陷,同时还降低了文档向量表示的维度,大大节省了存储开销,降低了后续文本数据挖掘计算的时间复杂度。 |
申请公布号 |
CN102541935A |
申请公布日期 |
2012.07.04 |
申请号 |
CN201010618112.5 |
申请日期 |
2010.12.31 |
申请人 |
北京安码科技有限公司 |
发明人 |
宫哲;贺智铭;蒋琴琴 |
分类号 |
G06F17/30(2006.01)I |
主分类号 |
G06F17/30(2006.01)I |
代理机构 |
|
代理人 |
|
主权项 |
一种新的基于特征向量的中文Web文档表示方法,其特征在于,该方法包括:一种中文Web新词汇的发现方法;一种利用关联规则算法发现同类词的方法;通过以上两种方法,将中文Web文档更有效的表示为维度更低的特征向量。 |
地址 |
100082 北京市海淀区西直门北大街32号院1号楼612 |