[发明专利]一种面向时间序列的热点聚类方法

权利要求书

1.一种面向时间序列的热点聚类方法，其特征在于：

步骤一：输入一学科论文进行聚类，其具体方法为：输入文件，将包括所述学科论文的关键词信息的文件导入模型，所述关键词为:标题、摘要、论文关键词、发表年份；取出所述关键词进行词频统计，将词频小于某一阈值的词删除，剩余的词进行词向量计算；使用DBSCAN算法对剩余的关键词进行聚类；将论文按照其关键词所在类别进行分类；

步骤二：对聚类结果进行关键词生成和抽取，其具体方法为：对步骤一中得到的每个类综合考虑共现词对的位置信息、词性、TF_IDF值以及共现词的互信息，具体的：首先对论文的题目、摘要做分词处理，以论文关键词为分词的词典；进行考虑词性的TF-IDF值计算，计算分词后统计名词、动词、形容词、副词所占的百分比，计算词的TF-IDF值的时候采用考虑词的词性的方法计算；之后进行词与词之间互信息的计算；将在同类文章中抽取词汇权重最大的共现词作为该类文章的主题词，并将主题词作为标签添加在每篇论文的文件上，作为该篇论文的热点；

步骤三：对步骤二结果进行面向时间序列统计并输出结论，其具体方法为：根据每个论文文件的热点标签，对于每个热点类，取出其所有论文，根据论文的时间特征，按照以年为时间单位进行论文数量统计；最后将该学科下每个热点类的时间趋势用折线图的方式进行输出，得到每个研究热点的发展趋势图。

2.根据权利要求1所述的一种面向时间序列的热点聚类方法，其特征在于：所述对聚类结果进行关键词生成和抽取步骤中，所述考虑词性的TF-IDF值计算过程中名词、动词、形容词、副词所占的百分比的设定的具体方法为：在传统的TF-IDF值上乘以系数k，其中k是该词所属的词性所占的比重，其中，名词k＝0.5；形容词k＝0.4；动词k＝0.1；副词k＝0。

3.根据权利要求2所述的一种面向时间序列的热点聚类方法，其特征在于：所述考虑词性的TF-IDF值计算过程的改进的TF-IDF计算公式为：

NewTFIDF＝k*TFIDF

所述TFIDF的计算公式为：

TF-IDF＝TF_i，j*IDF_i

所述TF_i,j计算公式中，n_i，j表示词j在文章i中出现的次数，分母表示词j在所有文章中出现的次数，所述IDF_i计算公式中，分子|D|表示语料库中文件总数，分母表示含有词t_i的文件数目。

4.根据权利要求3所述的一种面向时间序列的热点聚类方法，其特征在于：所述词与词之间互信息的计算步骤为：

采用P(w₁，w₂)表示共现词对(w₁，w₂)在一篇论文信息中出现的概率，即w₁，w₂共同出现的次数/论文总数，其计算公式如下：

其中|D|表示语料库中文件总数；

同时考虑共现词对位置信息，对论文题目、摘要和论文关键词三个部分设定位置信息量值，如果共现词对出现在题目，论文关键词或者摘要的第一句和最后一句的位置，位置信息量值设定为0.9；如果共现词对中的一个词出现在上述位置，位置信息量值设为0.5；如果共现词对的两个词均没有出现与上述位置，位置信息量设为0.1，那么共现词对位置信息可以表示为

最终综合考虑共现词的互信息、位置信息、考虑词性的TF-IDF得到共现词的权重：