[发明专利]一种基于人机交互的机会信息动态挖掘方法

权利要求书

1.一种基于人机交互的机会信息动态挖掘方法，所述方法包括如下步 骤：

步骤11，聚类生成步骤，该步骤使用聚类生成算法对原始机会信息文 本数据进行计算，得到聚类生成结果，并用场景图显示；

步骤12，聚类生成结果分析理解步骤，用户在所述场景图的帮助下对 计算结果进行分析理解；

步骤13，文本数据修正步骤，用户在所述步骤12分析理解的基础上对 机会信息文本数据进行修正，得到修正后的文本数据；

步骤14，新文本数据机会信息挖掘计算步骤，针对所述修正后的文本 数据进行关联关系计算，挖掘各个事件、聚类和关系挖掘，并将前后两次计 算结果用场景图对比动态显示；

步骤15，反馈计算步骤，用户通过对步骤14计算结果进行理解分析， 对比分析前后两次计算结果的关联和差异，通过对比分析判断挖掘结果是否 可正确、可靠、充分地展示数据之间的关系并准确地发现有重要价值的机会 信息，若符合，则结束；否则重复步骤13、步骤14和步骤15。

2.如权利要求1所述的信息文本数据的机会信息动态挖掘方法，其特 征在于，所述步骤14中的新文本数据机会信息挖掘计算步骤为一种基于信 息熵的无向图挖掘方法，可具体包括如下步骤：

步骤21，事件互信息关系计算步骤，该步骤计算任意两个事件之间的 互信息，互信息计算公式如下：

IE(Ii,Ij)=log2(p(Ii,Ij)p(Ii)×p(Ij)+1)]]>

其中p(I_i，I_j)是事件I_i和事件I_j同时出现(即两个事件出现在同一行)的概率， 如果此互信息大于预先设定的互信息阈值，则这两个事件确定为高互信息事 件对，可以生成由多个事件组成的聚类；

步骤22，对由步骤21计算生成的若干个聚类用如下式计算其信息量：

Info(C)＝∑IE(I_i，I_j)

其中I_i和I_j为聚类C中的元素事件，且属于高互信息对，即二者互信息结果 大于预先设定的阈值；

用如下公式计算其信息密度：

InfoDens(C)=Info(C)Num]]>

其中Num为聚类C中事件元素的个数；

用如下公式对聚类进行量化：

CValue(C)=21Info(C)+1InfoDens(C)]]>

式整理可得到如下式：

CValue(C)=2Info(C)Num+1]]>

准确地反应聚类的价值；

步骤23，聚类提取步骤，由步骤22计算得到每个聚类的价值，根据此 价值对所有聚类排序，然后根据预先设定的提取聚类个数的参数提取出相应 的聚类，并根据聚类内事件关联关系进行连接，同时删除其余聚类及聚类内 事件元素之间的连接关系；

步骤24，事件元素与聚类关系计算步骤，根据平均互信息理论，使用 下式计算每一个事件元素与每一个聚类的关系：

EMI(I,C)=ΣIi∈Cp(I,Ii)IE(I,Ii);]]>

步骤25，提取事件与聚类之间重要关系步骤，对步骤24中计算得到的 各个事件与聚类之间的关系结果值进行降序排序，根据预先设定的个数阈值 提取相应的事件与聚类之间的关系，并记录；

步骤26，重要事件与聚类连接步骤，根据步骤25计算得到的事件与聚 类的关系结果，对相应的事件与聚类进行连接；首先根据步骤21中的公式 式计算事件与聚类内每个事件的互信息值，然后将这些互信息值进行降序排 序，根据预先设定的事件与聚类内事件连接个数的参数提取最大的几个互信 息值对应的事件连接；

步骤27，计算结果输出显示步骤，该步骤使用场景图输出显示前六个 步骤的计算结果；