[发明专利]对包含多个文档的源数据进行聚类的装置和方法

摘要

本公开涉及对包含多个文档的源数据进行聚类的装置和方法。根据本公开的对包含多个文档的源数据进行聚类的装置包括：设置单元，其设置聚类数的集合；聚类单元，其针对设置单元设置的集合中的每一个聚类数，使用文档中的词作为特征对源数据进行聚类，以将源数据聚类成数目等于聚类数的簇；划分单元，其针对聚类单元聚类的每一个簇，使用文档中的主题作为特征对簇执行划分过程；合并单元，其对划分单元划分后的簇执行合并过程；计数单元，其对合并单元合并后的簇进行计数，以获得更新聚类数；以及聚类数确定单元，其对计数单元获得的相同的更新聚类数进行计数，并且将数目最多的更新聚类数确定为最佳聚类数，并选择最优的聚类结果。

主权项

一种对包含多个文档的源数据进行聚类的装置，包括：设置单元，其设置聚类数的集合；聚类单元，其针对所述设置单元设置的集合中的每一个聚类数，使用所述文档中的词作为特征对所述源数据进行聚类，以将所述源数据聚类成数目等于聚类数的簇；划分单元，其针对所述聚类单元聚类的每一个簇，使用所述文档中的主题作为特征对簇执行划分过程，在所述划分过程中，簇被划分成两个部分，并且如果所述两个部分的相似度小于第一预定阈值，则将簇划分成两个子簇；合并单元，其对所述划分单元划分后的簇执行合并过程，在所述合并过程中，计算簇和子簇中的任意两个之间的相似度，并且如果簇和子簇中的任意两个之间的相似度大于或等于第二预定阈值，则将其合并为一个簇；计数单元，其对所述合并单元合并后的簇进行计数，以获得更新聚类数；以及聚类数确定单元，其对所述计数单元获得的相同的更新聚类数进行计数，并且将数目最多的更新聚类数确定为最佳聚类数。