[发明专利]一种基于主题词条的跨类型数据的概率聚类方法

摘要

一种基于主题词条的跨类型数据的概率聚类方法，属于数据库领域，包括以下步骤：(1)定义主题词条的类型；将跨类型数据分为主题相关词条、主题半相关词条和主题不相关词条；(2)对每类词条分配概率；(3)用概率表示数据主题；(4)构建数据的主题词条概率相似性矩阵M；对步骤(3)中跨类型数据的任意两个数据d_x和d_y，计算d_x和d_y任意两种描述形式的相似度，将相似度大于某一阈值的相似性的概率相加，将任意两个数据的直接相关概率存储在矩阵M中；(5)基于矩阵M构建聚类模型M^c；(6)基于聚类模型M^c的聚类方法。本发明利用与主题相关的词条项的相似性来对跨类型数据进行聚类，提高了数据聚类的精度，减少了聚类时间。

主权项

1、一种基于主题词条的跨类型数据的概率聚类方法，其特征在于该方法包括以下步骤：(1)定义主题词条的类型；对一个跨类型数据d，将其表示为词条的集合，对每个词条赋权重后，按照权重大小分为三类词条：主题相关词条r、主题半相关词条s和主题不相关词条u；(2)对每类词条分配概率；主题相关词条的主题概率为1，主题不相关词条的主题概率为0，主题半相关词条的主题概率p(sⁱ)＝w_si/w_max，其中w_si为半相关词条sⁱ的权重，w_max为跨类型数据d中所有词条的权重的最大值；(3)用概率表示数据主题；将跨类型数据d表示成主题相关词条r的一个确定集合，记作d(r¹，r²，...，rⁿ)，其中rⁱ表示第i个主题相关词条，再将所有的主题半相关词条s追加到跨类型数据d的确定集合中，跨类型数据d的确定集合在加入主题半相关词条s后，转换成多种描述形式，而每一种描述形式有一个概率P(dm)=Πi=1kPi,]]>其中k表示一条数据中主题半相关词条的数量，m＝1，2，...，2^k，d_m是d的第m个描述形式，如果sⁱ出现在d_m中，则P_i＝p(sⁱ)，否则P_i＝1-p(sⁱ)；(4)构建数据的主题词条概率相似性矩阵M；对步骤(3)中跨类型数据d的任意两个数据d_x和d_y，计算d_x和d_y任意两种描述形式的相似度，将相似度大于某一阈值θ_sim的相似性的概率相加，θ_sim∈(0.3，0.7)，该概率和为直接相关概率，将任意两个数据的直接相关概率存储在矩阵M中；(5)基于矩阵M构建聚类模型M^c；聚类模型M^c的每一个元素Mijc=1-Πn=1N-1Mijn,]]>其中，M_ijⁿ为节点i和j的n-连接失败概率，Mijn=Σk=1PN-2n(1-pl),]]>其中，N为数据空间内数据的个数，p^l为节点i和j的第l种n-连接概率，对于任意一条n连接路径上的每一条边e_i，p(e_i)为边e_i的概率，pk=Πi=1np(ei);]]>(6)基于聚类模型M^c的聚类方法基于聚类模型M^c采用聚类方法，对数据进行聚类。