[发明专利]文献资源主题聚类共现潜在语义向量空间模型语义核方法

权利要求书

1.文献资源主题聚类共现潜在语义向量空间模型语义核方法，其特征在于包括以下步骤：

第一步：文献数据的预处理：数据清洗，标记文献，提取每篇文献的关键词，并保留关键词与相应文献的对应关系；

第二步：所提取的关键词进行词频统计，关键词按词频降序排列，以备后续建立共现矩阵使用；

第三步：以关键词在文献中是否出现为权重，构建文献表示的向量空间模型如下：

d_l＝(a_l1,a_l2,...,a_lm)^T∈R^m，l＝1,2,…,n.

其中：d_l是n篇文献中第l篇文献在欧式空间R^m中的表示向量，a_lj(j＝1,2,…,m)为第j个关键词在第l篇文献中的权重，当第j个关键词是文献d_l的关键词时，a_lj等于1，否则为0；l为文献序号，n为文献总篇数，m为关键词集中总关键词的个数，R^m为欧式空间，T表示转置运算，文献集的“篇-词”矩阵A＝(a_lj)_n×m；

第四步：共现潜在语义向量空间模型的构建：

(1)计算共现强度矩阵

关键词之间的共现矩阵C＝A^TA＝(c_ij)_m×m，其中，当i≠j时，c_ij为第i个关键词与第j个关键词的共现频次，当i＝j时，c_ii为第i个关键词的总频次；

然后计算共现强度矩阵B，

其中，c₁₁,c₂₂,…,c_mm分别为第1个，第2个，……,第m个关键词的频数；当i≠j时，b_ij为第i个关键词与第j个关键词的共现强度，当i＝j时，b_ii＝1,即矩阵B的对角线元素全为1；

(2)共现信息的提取

记a_lj＝1的j的指标集为I_l1，即：I_l1＝{j|a_lj＝1}，称第l篇文献与第j个关键词的潜在语义相似度，表示集合{b_jt}中满足条件t∈I_l1的最大值，记为当a_lj＝1时，q_lj＝1；当a_lj＝0时，0≤q_lj＜1；

(3)共现潜在语义向量空间模型(CLSVSM)

其中：

基于CLSVSM的新的“篇-词”矩阵为：

第五步：语义核函数的构建

(1)对新的“篇-词”矩阵的转置进行奇异值分解

根据奇异值分解理论，经matlab软件运算，得到Q^T的分解式：

其中Q^T是维数为m×n的新的“词-篇”矩阵；U、V称为奇异矩阵，是维数分别为m和n的方阵,且都是正交矩阵，即UU^T＝I，VV^T＝I；是维数为m×n的矩阵，假设“词-篇”矩阵Q^T的秩为r，Δ＝diag(δ₁ δ₂ δ₃ … δ_r)，δ_i(i＝1,2,…,r)是非零奇异值，且按从大到小的顺序进行排列为δ₁≥δ₂≥…≥δ_r，关键词与关键词之间的相关性矩阵Q^TQ＝UΣV^TVΣ^TU^T＝UΣΣ^TU^T＝UΛU^T，奇异矩阵U同时又等于Q^TQ的正交单位特征向量组成的矩阵，矩阵是m×m维的方阵，对角线上的元素为Q^TQ所对应的特征值，为非零特征值组成的对角阵；

(2)特征提取、降维

选取前k个最大的特征值，k的大小取决于特征值的累计贡献率要求，当可取特征值累计贡献率不小于90％，则k为

同时选取相应的奇异矩阵U和V的前k列，对奇异矩阵实现降维处理，分别记为U_k和V_k，然后得到一个Q^T矩阵的k阶近似，即X_k^T＝U_kΣ_kV_k^T；

(3)基于CLSVSM的语义核

k(d_l,d_s)＝(U_k^Tφ(d_l))^T(U_k^Tφ(d_s))＝φ^T(d_l)U_kU_k^Tφ(d_s)，l,s＝1,L,n

该语义核函数得到相一致的核矩阵为：

基于CLSVSM的语义核简记为CLSVSM_K；

第六步：文献聚类

对文献进行语义核函数表示，核矩阵作为文献之间的相似性矩阵，选取聚类算法进行文献主题聚类。