[发明专利]短文本的聚类方法和系统有效
| 申请号： | 201410112525.4 | 申请日： | 2014-03-24 |
| 公开（公告）号： | CN103886077B | 公开（公告）日： | 2017-04-19 |
| 发明（设计）人： | 高振华;杨鹤鸣;刘俊峰;梁冠雄;李炯城;肖恒辉;关晓明;杨若冰 | 申请（专利权）人： | 广东省电信规划设计院有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 广州华进联合专利商标代理有限公司44224 | 代理人： | 王茹 |
| 地址： | 510630 广东省广*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种短文本的聚类方法和系统，所述方法包括获取短文本集中各短文本间的相似度；从所述短文本集中查找与待处理短文本间的相似度大于相似度阈值的短文本，生成第一集合；判断所述第一集合中短文本的数量是否大于0，若是，则从所述短文本集中再次查找与待标记短文本间的相似度大于所述相似度阈值的短文本，生成第二集合；判断所述第一集合与所述第二集合中相同短文本的数目是否超过文本数阈值，若超过，则将所述待处理短文本与所述待标记短文本划分为同一类别。实施本发明的方法和系统，在提高聚类精度的同时，可降低数据信息的丢失率，可反映数据集中各短文本的真实数据信息。 | ||
| 搜索关键词： | 文本 方法 系统 | ||
【主权项】：
一种短文本的聚类方法，其特征在于，包括以下步骤:分别对短文本集的各短文本中的各词语进行词频统计，并根据各词语的词频统计值计算各词语在各短文本中的权重；根据各词语在所述短文本集的任意两个短文本中的权重，计算所述任意两个短文本的相似度；从所述短文本集中查找与待处理短文本间的相似度大于相似度阈值的短文本，生成第一集合，其中，所述待处理短文本为所述短文本集中任意一个短文本；判断所述第一集合中短文本的数量是否大于0，若是，则从所述短文本集中再次查找与待标记短文本间的相似度大于所述相似度阈值的短文本，生成第二集合，其中，所述待标记短文本为所述第一集合中任意一个短文本；判断所述第一集合与所述第二集合中相同短文本的数目是否超过文本数阈值，若超过，则将所述待处理短文本与所述待标记短文本划分为同一类别；其中，所述根据各词语的词频统计值计算各词语在各短文本中的权重的步骤包括以下步骤：通过以下所述公式计算各词语在各短文本中的权重：Wi=(1/2πσ)exp(-(pi-μ)/2σ2);]]>μ=Σi=1Npi/N;]]>σ=Σi=1N(pi-μ)2/N;]]>其中，Wi为第i个词语在一个短文本 中的权重，N为词语总数，Pi为第i个词语的词频统计值。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广东省电信规划设计院有限公司，未经广东省电信规划设计院有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201410112525.4/，转载请声明来源钻瓜专利网。
