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。

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。