[发明专利]基于相关系数的中文词间加权正负模式挖掘方法及系统

权利要求书

1.一种基于相关系数的中文词间加权正负模式挖掘方法，其特征在于，包括如下步骤：

（1）中文文本预处理：将待处理的中文文本信息数据进行预处理：中文文本分词去除停用词、提取特征词及其权值计算，构建基于向量空间模型的文本信息数据库和特征词项目库；

（2）挖掘中文特征词矩阵加权频繁1-项集L₁：从项目库中取出候选1-项集C₁，累加C₁项集权值，计算其支持度mwS(C₁)，与ms比较，从C₁中挖掘矩阵加权频繁1-项集L₁加入mwPIS;

（3）挖掘有趣的中文特征词矩阵加权频繁i-项集L_i和负i-项集N_i(所述的i≥2)，包括以下(3.1) 步至(3.3) 步：

(3.1)频繁(i-1)-项集L_i-1进行Apriori连接生成候选i_项集C_i，累加C_i的权值以及计算其mwS(C_i)；

 (3.2)若候选i_项集C_i支持度mwS(C_i)大于或等于最小支持度阈值ms，计算频繁项集关联度mwFIR(C_i)，将其关联度mwFIR(C_i)大于或者等于最小频繁关联度阈值mFr的有趣矩阵加权频繁i-项集L_i加入频繁项集集合mwPIS；

(3.3) 若候选i_项集C_i支持度mwS(C_i)小于最小支持度阈值ms，计算负项集关联度mwNIR(C_i)，将其关联度mwNIR(C_i)大于或者等于最小负项集关联度阈值mNr的有趣矩阵加权负i-项集N_i加入负项集集合mwNIS；

（4）从中文特征词频繁项集集合mwPIS中挖掘有效的中文特征词矩阵加权正负关联规则模式，包括以下(4.1) 步至(4.6) 步：

(4.1)从中文特征词频繁项集集合mwPIS中取出特征词频繁项集L_i，找出L_i的所有真子集；

(4.2)从L_i的真子集集合中任意取出两个真子集I₁和I₂，当I₁和I₂的支持度mwS (I₁)和 mwS (I₂)都大于或等于ms，并且I₁I₂=， I₁I₂=L_i，计算矩阵加权频繁项集(I₁,I₂)的相关系数mwPCC(I₁,I₂)；

(4.3)当矩阵加权频繁项集(I₁,I₂)的相关系数mwPCC(I₁,I₂)大于或等于相关系数阈值时，即mwPCC(I₁,I₂)≥，计算VMWAR(I₁,I₂, mc, mi)的值，若其值等于1，则得出矩阵加权中文特征词强关联规则I₁→I₂ ，加入mwPAR；计算VMWAR(﹁I₁,﹁I₂, mc, mi) 的值，若其值等于1，则得出矩阵加权中文特征词强负关联规则﹁I₁→﹁I₂ ，加入mwNAR；

(4.4)当矩阵加权项集(I₁,I₂)的相关系数mwPCC(I₁,I₂)小于-时，即，mwPCC(I₁,I₂)≤－，计算VMWAR(I₁,﹁I₂, mc, mi) 的值，若其值等于1，则得出矩阵加权中文特征词强负关联规则I₁→﹁I₂，加入mwNAR；计算VMWAR(﹁I₁,I₂, mc, mi) 的值，若其值等于1，则得出矩阵加权中文特征词强负关联规则﹁I₁→I₂ ，加入mwNAR；

 (4.5) 继续(4.2)步骤，当特征词频繁项集L_i的真子集集合中每个真子集都被取出一次，而且仅能取出一次，则转入步骤(4.6)步；

(4.6) 继续(4.1)步骤，当特征词频繁项集集合中每个频繁项集L_i都被取出一次，而且仅能取出一次，则（4）步运行结束，转入（5）步；

（5）从负项集集合mwNIS中挖掘有效的中文特征词矩阵加权负关联规则模式，包括以下(5.1) 步至(5.6) 步：

(5.1)从中文特征词负项集集合mwNIS中取出特征词负项集N_i，找出N_i的所有真子集；

(5.2)从N_i的真子集集合中任意取出两个真子集I₁和I₂，当I₁和I₂的支持度mwS (I₁)和 mwS (I₂)都大于或等于ms，并且I₁I₂=， I₁I₂=N_i，计算矩阵加权负项集(I₁,I₂)的相关系数mwPCC(I₁,I₂)；

(5.3)当矩阵加权负项集(I₁,I₂)的相关系数mwPCC(I₁,I₂)大于或等于相关系数阈值时，即mwPCC(I₁,I₂)≥，计算VMWAR(﹁I₁,﹁I₂, mc, mi) 的值，若其值等于1，则得出矩阵加权中文特征词强负关联规则﹁I₁→﹁I₂ ，加入mwNAR；

(5.4)当矩阵加权负项集(I₁,I₂)的相关系数mwPCC(I₁,I₂)小于或等于-时，即，mwPCC(I₁,I₂)≤－，计算VMWAR(I₁,﹁I₂, mc, mi) 的值，若其值等于1，则得出矩阵加权中文特征词强负关联规则I₁→﹁I₂，加入mwNAR；计算VMWAR(﹁I₁,I₂, mc, mi) 的值，若其值等于1，则得出矩阵加权中文特征词强负关联规则﹁I₁→I₂ ，加入mwNAR；

所述的ms为最小支持度阈值，mc为最小置信度阈值，mi为最小兴趣度阈值；

(5.5) 继续(5.2)步骤，当特征词负项集N_i的真子集集合中每个真子集都被取出一次，而且仅能取出一次，则转入步骤(5.6)步；

(5.6) 继续(5.1)步骤，当特征词频繁项集集合中每个负项集N_i都被取出一次，而且仅能取出一次，则（5）步运行结束；

至此，矩阵加权中文特征词正负模式挖掘结束；

所述的ms为最小支持度阈值，mc为最小置信度阈值，mi为最小兴趣度阈值，为相关系数阈值。