基于圖結(jié)構(gòu)的中文文本聚類方法研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展和普及，電子信息日益增多，人們已經(jīng)從信息資源匱乏的時(shí)代迅速過渡到信息極為豐富的數(shù)字化時(shí)代。面對(duì)海量的信息資源，人們很難迅速有效的找到真正所需的信息。因此，如何合理有效的組織和管理文本信息已經(jīng)日益成為信息處理領(lǐng)域一個(gè)十分重要的研究課題。近年來，作為保證文本挖掘質(zhì)量前提的文本表示方法的研究受到越來越多學(xué)者的重視。 在本研究中我們從文本表示方法入手，將圖論中的圖結(jié)構(gòu)技術(shù)應(yīng)用到文本挖掘中，提出了一種新的基于圖結(jié)構(gòu)

2、的文本表示方法。與傳統(tǒng)的基于統(tǒng)計(jì)向量的文本表示方法相比，圖結(jié)構(gòu)更有利于文本的結(jié)構(gòu)信息的表示。在保留了文本特征項(xiàng)的同時(shí)，還可以描述特征項(xiàng)間的位置關(guān)系及關(guān)聯(lián)強(qiáng)弱。 研究內(nèi)容主要包含以下部分。首先是文本表示模型的提出。在分析了傳統(tǒng)文本表示模型現(xiàn)狀的基礎(chǔ)上提出了基于圖結(jié)構(gòu)的中文文本表示模型。將文本特征項(xiàng)表示成圖結(jié)構(gòu)節(jié)點(diǎn)，特征項(xiàng)間的共現(xiàn)關(guān)系描述為圖結(jié)構(gòu)的邊，進(jìn)而將文本映射為圖結(jié)構(gòu)，有效的解決了文本表示過程中的信息流失問題。 其次是

3、相似度計(jì)算方法的引入。與圖結(jié)構(gòu)的文本表示方法相對(duì)應(yīng)，我們提出了一種適于此文本表示方法下的文本相似度計(jì)算方法——最大公共子圖算法。將相似度的計(jì)算分解成內(nèi)容的相似度與結(jié)構(gòu)的相似度，使得文本相似度度量考慮因素更加全面。假設(shè)兩個(gè)圖結(jié)構(gòu)公共的部分越多，那么它們所對(duì)應(yīng)的文本間的相似度就越大，因此利用最大公共子圖的特性度量兩個(gè)文本的相似程度。 再次是聚類算法的改進(jìn)。提出了擴(kuò)展的K-means聚類算法，引入了中值圖的概念將其作為圖集中心用以度量