[发明专利]基于网络新闻的时评类作文素材语料库的构建方法及系统

权利要求书

1.一种基于网络新闻的时评类作文素材语料库的构建方法，其特征在于，所述方法包括：

基于原始网络新闻语料获取时评类作文写作的初始素材语料库；

利用逻辑回归模型构建文本分类器对所述初始素材语料库进行分类和筛选以获取目标文本；

基于K-Means++策略选取初始聚类中心，以及基于K-Means++的单边增量聚类算法判定新增目标文本的主题类别，对所述目标文本和新增目标文本进行聚类，并抽取所有目标文本中的主题词，构建素材语料库。

2.如权利要求1所述的方法，其特征在于，所述基于原始网络新闻语料获取时评类作文写作的初始素材语料库包括：

S11、对获取的原始网络新闻语料进行清洗和预处理；

S12、对经过清洗和预处理后的所述原始网络新闻语料进行向量化和特征提取，获取初始素材语料库。

3.如权利要求1所述的方法，其特征在于，所述逻辑回归模型包括Sigmoid逻辑函数。

4.如权利要求1所述的方法，其特征在于，所述基于K-Means++策略选取初始聚类中心包括：

步骤1、设定初始聚类中心数量K，设定无标签数据集X＝[x⁽¹⁾,x⁽²⁾,…,x^(m)]；从目标文本数据集D中随机选取一个样本点作为第一个簇心C₁；

步骤2、计算剩余样本点与所有簇心的最短距离D(x⁽ⁱ⁾)；

D(x⁽ⁱ⁾)＝min[dist(x⁽ⁱ⁾,C₁),dist(x⁽ⁱ⁾,C₂),...,dist(x⁽ⁱ⁾,C_n)]

其中，x⁽ⁱ⁾表示第i个样本；n表示簇心的总个数；dist(x⁽ⁱ⁾,C₁)表示样本x⁽ⁱ⁾与簇心C₁之间的距离；

步骤3、任意一个样本点x被选为下一个簇心的概率为：

步骤4、重复步骤2和步骤3选出K个簇心。

5.如权利要求1所述的方法，其特征在于，所述基于K-Means++的单边增量聚类算法判定新增目标文本的主题类别包括：

对新增网络新闻语料进行清洗和预处理，再对经过清洗和预处理后的新增网络新闻语料进行向量化和特征提取，获取新增网络新闻语料文本；

分别计算新增网络新闻语料文本与K个簇心的相似度，并选出最大相似度值max_Value和其所对应的主题t；

将最大相似度值max_Value与阈值θ进行比较，若最大相似度max_Value大于阈值θ，则将新增网络新闻语料文本归类到主题t中；否则，将新增网络新闻语料文本归类到新创建新的主题类别中。

6.如权利要求5所述的方法，其特征在于，利用Jaccard距离度量法分别计算新增网络新闻语料文本与K个簇心的相似度。

7.一种基于网络新闻的时评类作文素材语料库的构建系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一所述方法的步骤。