[发明专利]一种基于文档内容和相互关系的主题检测方法

权利要求书

1.一种基于文档内容和相互关系的主题检测方法，其特征在于：所述方法包括以下步骤：

步骤1：获取N个文档，对所述文档进行预处理，得到文档-特征的共现矩阵X和两两关系矩阵R；

步骤2：基于X和R，构建目标函数，设定聚类数为K，1＜K＜N；迭代计算文档代表度矩阵V_t、文档隶属度矩阵U_t、词代表度矩阵V_w及词隶属度矩阵U_w；

所述步骤2包括以下步骤：

步骤2.1：基于X和R，设定文档代表度矩阵V_t、文档隶属度矩阵U_t、词代表度矩阵V_w及词隶属度矩阵U_w；

步骤2.2：构建目标函数

其中，β₁、β₂分别为矩阵R和X的权重系数，ρ₁、ρ₂分别为U_t和U_w的正则项权重系数，μ₁、μ₂分别为V_t和V_w的正则项权重系数；

步骤2.3：初始化N×K的U_t矩阵为非负随机矩阵，初始化N×K的V_t矩阵为非负随机矩阵；置迭代次数l＝0；

步骤2.4：基于当前的U_t、V_t，更新其中，H₂＝β₂XU_t，G₂＝β₂XV_t，Q₂为T×K的全部元素为1的矩阵；其中，T为N个文档中包含的不同的词的个数；步骤2.5：基于当前的U_t、V_t、U_w和V_w，更新其中，H₁＝β₁RU_t+β₂XU_w，G₁＝β₁RV_t+β₂XV_w，Q₁为N×K的全部元素为1的矩阵；

步骤2.6：l＝l+1，检测是否满足约束条件，若是，则输出V_w，若否，则进行步骤2.4；

步骤3：基于输出的矩阵V_w，矩阵V_w每一列对应一个主题，以每列中值最大的p个词作为描述该主题的关键词，获取用于描述K个主题的关键词。

2.根据权利要求1所述的一种基于文档内容和相互关系的主题检测方法，其特征在于：所述步骤1包括以下步骤：

步骤1.1：基于向量空间模型，N个文档一共包含T个不同的词，以所述N个文档的每个文档表示为一个向量，向量的每个维度对应一个出现在文档中的词，则每个文档表示为一个T维向量；

步骤1.2：当T个词中的第j个词出现在了第i个文档t次且同时出现在m个文档，则词频逆向文件频率得到共现矩阵其中，I_i表示第i个文档包含的词的总个数；步骤1.3：以元素R_ij表示第i个文档和第j个文档之间的关联程度，0≤R_ij≤1，得到两两关系矩阵R。

3.根据权利要求1所述的一种基于文档内容和相互关系的主题检测方法，其特征在于：所述步骤1中，预处理包括英文文本预处理和中文文本预处理；所述英文文本预处理包括词干还原、停用词消除；所述中文文本预处理包括分词、去除低频词。

4.根据权利要求1所述的一种基于文档内容和相互关系的主题检测方法，其特征在于：所述约束条件为迭代次数超过设定值，或K个U_t向量更新前后的差别小于设定值ε。

5.根据权利要求4所述的一种基于文档内容和相互关系的主题检测方法，其特征在于：ε∈[10^-5,10^-3]。