[发明专利]一种基于占用矩阵的词云图可视化方法

说明书

技术领域

本发明属于数据挖掘和数据可视化领域，涉及一种词云图可视化方法，具体设计了一组基于占用矩阵的任意形状、任意角度、无重叠、字模提取、具有语义分类的词云图可视化算法。

背景技术

词云图（Word Cloud）是一种富信息文本可视化技术，通过布局算法用文字大小表示词频，辅以多种色彩显示，直观反映词组重要性差异，展示文本关键摘要信息。近年来，词云图作为极富表现力的可视化载体，广泛应用于网站导航、社会化标签呈现、Web文本分析以及各种文本挖掘和可视化场景。

词云图起源于标签云。标签云（Tag clouds），早在1997年已被作为网站可视化导航手段，用字体大小表示标签频数，文字逐行水平排列。2002年，照片分享网站Flickr用标签云表示标签流行程度。随后，网络书签应用del.icio.us也采用它标注用户的大量社会化标签。此后，大量网站使用标签云，导航离散的分类信息，点击标签链接进入相应的内容页面，统计易用性使它成为Web2.0时代的显著标志之一。近年，通过用户输入创建标签云的专业网站出现，包括TagCrowd、Tag Cloud Generator以及IBM的可视化分享网站Many Eyes。

标签云在布局复杂美观以及应用的延伸，逐渐演变发展了另一种独立的文本可视化技术——词云图。词云图通过色彩和布局增强了标签云的视觉效果，帮助人们简明扼要地了解文本的大体内容，实际上是一种离散的自动摘要生成和可视化工具。图1是标签云和词云图布局比较。标签云目前主要用于网站导航，而词云图用于各种文本可视化，但在某些情况下有相互指代之意，如维基百科中“Word Cloud”词条直接指向了“Tag Cloud”，在百度搜索结果中也反映了两词相互指代的特点。

1．国内外词云图应用

沟通性和解说性是可视化的优势，特别用于向非专家用户描述一些专业抽象的信息。2008年美国总统大选期间，大量新闻报道采用词云图对比民主、共和两党候选人演讲用词，这一全新的文本可视化有效宣传了竞选核心理念。2013年我国“两会”期间，清华大学自然语言处理与社会人文计算实验室利用词云图对“两会”报告形象解读，产生了很强的社会反响，见图2所示。词云图的个人应用包括博客、微博、诗歌和歌词等文本统计和可视化。

2008年6月，美国可视化学者Jonathan Feinberg发布了一款在线词云图工具Wordle,词组布局遵循一定算法，水平或者垂直排列，充分利用空隙，形成内部紧凑、轮廓明显的视觉效果。Wordle实现用户在线输入文本数据，自动统计频数，用户设置字体、布局和配色方案，该网站日志显示每天平均约有1.4万访问量。

Tagxedo也是一个在线词云制作工具，允许定义填充形状，有效丰富了可视化效果。此外标签云和词云图在线工具还有tagCloud、ImageChief、ABCya、Tagul、ToCloud和WordItOut。其中ABCya仅支持英文文本，自动过滤掉非英文字符，不能实现适形填充；WordItOut只提供了横向布局，也不能实现适形填充；Tagul能适形填充，生成标签云，不能添加语义特征；Make Word Masaic能纵横交错适形填充，没有语义特征。这些工具只能在线使用，限制了在软件中集成、可视化的灵活性差，使用范围有限。

清华大学孙茂松团队开发了一个在线“围脖关键词”词云工具，自动抽取关键词，分析微博用户言论并以词云显示，一定程度反映用户兴趣和经历，可以用于微博舆情监控。但其可视化布局的灵活性一般，没有实现任意角度词云。

2．词云图布局算法

Wordle采用随机贪心背包算法布局词组，先按词频降序排序，平方根变换词频和字体大小，对每个词组初设位置，如果与其他词组重叠，则通过增加极坐标半径调整坐标直到不重叠。由于每个词与已布局的所有词比较检测是否重叠，算法复杂度为O(n²)，词组数超过百数量级后速度明显变慢，为此他们采用了三个优化技巧：采用层次边界盒子寻找词组边界；采用缓存技术先检测最可能重叠的词组；采用四叉树空间索引进一步减少重叠检测的次数。韩国学者在Wordle词云布局算法的框架下做了一些优化，提供了交互性更强的词云图工具ManiWordle。

此外，Seifert等提出了一个优化的布局算法，实现了从矩形布局到任意多边形布局，以创建更加丰富的词云图。Gambette和Veronis提出了整齐布局的“Tree Cloud”的词云概念。