发明名称 |
基于网络流和分层知识库的动态文本聚类方法 |
摘要 |
本发明属于信息处理和网络安全技术领域,具体为一种基于网络流和分层知识库的动态文本聚类方法。本发明首先假设存在分好的文档类别具有向量型的特征,对单篇分词后的文章通过TFIDF方式提取特征并归一化,用知识库中定义语义距离的方法来计算文章和类别的距离,并对新增加文档的类别不断调整更新关键词和权重;若当前文档不能与已知的任意类进行合并时,就需要建立新的类。算法的过程包括:动态特征向量提取、类别归并、距离求解、类别合并和建立新类等。本发明的特点是:根据分层知识库所提供的语义信息进行聚类而非关键词聚类;可以动态去除噪音数据;相似度采用网络流算法计算,以保证求得最优匹配。利用该方法,可以满足Web文本实时更新聚类的需求,而且是无监督型,无须预先指定类别集合。 |
申请公布号 |
CN101059805A |
申请公布日期 |
2007.10.24 |
申请号 |
CN200710038634.6 |
申请日期 |
2007.03.29 |
申请人 |
复旦大学 |
发明人 |
闵可锐;刘昕;刘百祥;闫华 |
分类号 |
G06F17/30(2006.01);G06F17/00(2006.01);G06F17/28(2006.01) |
主分类号 |
G06F17/30(2006.01) |
代理机构 |
上海正旦专利代理有限公司 |
代理人 |
陆飞;盛志范 |
主权项 |
1.一种基于网络流和分层知识库的动态文本聚类方法,其特征在于:首先,提文本取动态特征向量:用词频/反转文档频率公式TF·IDF和归一化的方法提取文章的特征,包括从文本中提取关键词和计算权重,并建立类别特征向量和文本特征向量;然后把文档样本和类别映射成网络流图,把类别归并的方法变成网络流的最大费用流的问题,并进行类别归并;在计算的过程中,通过定义5层词典结构的词群距离来计算文本和类别特征向量的相似度;然后进行类别合并,对新加入的文档,根据TF、IDF公式计算新加入的文本特征和类别文本特征,调整类别的关键词和权重,不断地剔除掉那些权重小于一定阈值的关键字,保留语义合并后权重最高的特征,并作为该类新的表示向量,进而建立新的类别。 |
地址 |
200433上海市邯郸路220号 |