CN109783816B - 短文本聚类方法及终端设备 - Google Patents

短文本聚类方法及终端设备 Download PDF

Info

Publication number
CN109783816B
CN109783816B CN201910027851.8A CN201910027851A CN109783816B CN 109783816 B CN109783816 B CN 109783816B CN 201910027851 A CN201910027851 A CN 201910027851A CN 109783816 B CN109783816 B CN 109783816B
Authority
CN
China
Prior art keywords
texts
similarity
text
calculating
clustering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910027851.8A
Other languages
English (en)
Other versions
CN109783816A (zh
Inventor
生龙
李铁飞
魏忠诚
吴迪
杨瑞欣
马建飞
黄竹韵
张梦甜
孙雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN201910027851.8A priority Critical patent/CN109783816B/zh
Publication of CN109783816A publication Critical patent/CN109783816A/zh
Application granted granted Critical
Publication of CN109783816B publication Critical patent/CN109783816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明适用于信息处理技术领域，提供了一种短文本聚类方法及终端设备，该方法包括：对短文本集进行预处理，获得所述短文本集中的所有文本；根据所述所有文本，计算所述所有文本与其它文本的相似度；根据所述所有文本与其它文本的相似度，确定所述所有文本的聚类中心；根据所述聚类中心，对所述所有文本进行聚类处理。本发明实施例可以解决现有技术中聚类依赖于初始聚类中心的选取及初始划分，导致聚类结果可能不同于数据集样本的真实分布，得到错误的结果，或者使聚类很难收敛的问题。

Description

短文本聚类方法及终端设备
技术领域
本发明属于信息处理技术领域，尤其涉及一种短文本聚类方法及终端设备。
背景技术
随着移动互联网和信息技术的迅速发展，评论、微博等短文本数量呈现爆炸式增长。短文本数据少，文本特征稀疏，需要有效的短文本表示方法来提升针对短文本的聚类、热点发现等应用的效果。
通常短文本聚类时采用的聚类算法为K-Means算法。K-means算法以类簇数K为参数，将n个样本划分为互不相交的K个类簇，同一类簇中的样本相似度较高，而不同类簇的样本相似度较低。常用的相似度判断是计算样本间的欧氏距离。K-means算法的基本思想是：首先从n个样本集中随机选择K个样本作为初始聚类中心，根据每个样本与各个聚类中心的相似度，将其分配给最相似的聚类中心，得到K个互不相交的类簇集合；然后重新计算每个类簇的新中心，再将每个样本根据相似性原理分配给最近的簇中心重新计算每个类簇的新中心，分配每个样本到距离最近的类簇。这个过程不断重复，直到各个类簇的中心不再变化，得到原始样本集合的K个互不相交的稳定的类簇。
然而，传统K-means算法随机选取的初始聚类中心K有可能是一孤立点或噪声点，或者不同类簇的初始聚类中心位于同一个类簇，导致聚类结果可能不同于数据集样本的真实分布，得到错误的结果，或者使聚类很难收敛。选取相互距离较远的样本作为初始聚类中心，可避免初始聚类中心可能位于同一类簇的缺陷，但对噪声点非常敏感，可能导致聚类结果出现错误。
发明内容
有鉴于此，本发明实施例提供了一种短文本聚类方法及终端设备，以解决现有技术中聚类依赖于初始聚类中心的选取以及初始划分，导致聚类结果可能不同于数据集样本的真实分布，得到错误的结果，或者使聚类很难收敛的问题。
本发明实施例的第一方面提供了一种短文本聚类方法，包括：
对短文本集进行预处理，获得所述短文本集中的所有文本；
根据所述所有文本，计算所述所有文本与其它文本的相似度；
根据所述所有文本与其它文本的相似度，确定所述所有文本的聚类中心；
根据所述聚类中心，对所述所有文本进行聚类处理。
在一实施例中，所述根据所述所有文本，计算所述所有文本与其它文本的相似度，包括：
通过TF-IDF算法计算所述所有文本的权值；
根据所述所有文本的权值，计算所述所有文本中的第一文本与其它文本的相似度；
按照计算所述第一文本与其它文本的相似度的方法，计算所述所有文本与其它文本的相似度。
在一实施例中，在所述计算所述所有文本与其它文本的相似度之后，还包括：
根据计算的所述所有文本与其它文本的相似度，构造所述所有文本与其它文本的相似度的特征项矩阵。
在一实施例中，所述根据所述所有文本的权值，计算所述所有文本中的第一文本与其它文本的相似度，包括：
根据
Figure BDA0001943161840000021
计算所述第一文本与其它文本的相似度，其中，所述Ci表示所述第一文本，所述Cj表示所述其它文本。
在一实施例中，所述根据所述所有文本与其它文本的相似度，确定所述所有文本的聚类中心，包括：
将计算获得的所述第一文本与其它文本的相似度按照相似度从大到小进行排序；
计算相似度排序中第(N-1)项与第N项相邻两项的梯度值，所述N大于1；
计算相似度排序中前N项的梯度平均值；
判断所述梯度值是否大于所述梯度平均值；
当所述梯度值大于所述梯度平均值时，确定所述第N项为跃迁点；
计算所述跃迁点与所述相似度排序中相似度最大项之间的项数；
根据上述计算所述第一文本的所述跃迁点包含的项数，计算所述所有文本的跃迁点包含的项数，并确定所述所有文本的聚类中心。
在一实施例中，所述确定所述所有文本的聚类中心，包括：
比较所述所有文本的跃迁点包含的项数；
确定所述所有文本的跃迁点包含的项数中项数最多的文本为第一聚类中心；
删除所述第一聚类中心及与所述第一聚类中心相关的点；
根据确定所述第一聚类中心的方法确定所述所有文本中包含的聚类中心。
在一实施例中，所述计算相似度排序中第(N-1)项与第N项相邻两项的梯度值，包括：
根据gra_ViN＝|similarity_d(Ci,CN-1)-similarity_d(Ci,CN)|，或者根据 gra_ViN＝|similarity_d(Ci,CN)-similarity_d(Ci,CN-1)|，计算排序中第(N-1)项与第N项相邻两项的梯度值；其中，所述i表示计算的是第i个样本的值，所述 gra_ViN表示所述第i个文本的第N梯度值，所述similarity_d(Ci,CN-1)表示所述第i个文本与第(N-1)个文本的相似度，所述similarity_d(Ci,CN)表示所述第i 个样本与第N个文本的相似度；
所述计算相似度排序中前N项的梯度平均值，包括：
根据
Figure BDA0001943161840000031
或者根据
Figure BDA0001943161840000041
计算排序中前 (N-1)项的梯度平均值；其中，所述ggra_Ave_i表示所述第i个样本的梯度平均值，所述j小于等于所述(N-1)。
本发明实施例的第二方面提供了一种短文本聚类装置，包括：
预处理模块，用于对短文本集进行预处理，获得所述短文本集中的所有文本；
计算模块，用于根据所述所有文本，计算所述所有文本与其它文本的相似度；
确定模块，用于根据所述所有文本与其它文本的相似度，确定所述所有文本的聚类中心；
聚类处理模块，用于根据所述聚类中心，对所述所有文本进行聚类处理。
本发明实施例的第三方面提供了一种终端设备，包括：包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述短文本聚类方法的所述步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述短文本聚类方法的所述的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例提供的短文本聚类方法，通过计算文本与其它文本之间的相似度，然后根据相似度确定作为所有文本的聚类中心；根据所述聚类中心，对短文本集中的所有文本进行聚类处理。即采用类簇中心的样本梯度阶跃分割原理，提出了梯度阶跃优化聚类中心的K-Means算法，不需要提前输入初始聚类中心和其他参数，不仅能得到较好的聚类结果，且聚类结果稳定，解决了现有技术中K-means算法依赖于初始聚类中心的选取以及初始划分，导致聚类结果可能不同于数据集样本的真实分布，得到错误的结果，或者使聚类很难收敛的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种短文本聚类方法的流程示意图；
图2是本发明实施例提供的另一种短文本聚类方法的流程示意图；
图3是本发明实施例提供的短文本聚类装置的示例图；
图4是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
本发明实施例提供一种短文本聚类方法，如图1所示，该方法包括以下步骤：
步骤101，对短文本集进行预处理，获得所述短文本集中的所有文本。
可选的，对短文本集进行预处理包括：通过分词系统对存储的短文本集进行分词、词性标注处理，然后通过停用词表对分词、词性标注处理后的词汇进行过滤，这样获得的所有文本即为本实施例待进行聚类处理的文本。进行预处理后的文本的信息量将下降到原信息量的一半，使得后续的处理过程计算量降低，更方便快捷。
步骤102，根据所述所有文本，计算所述所有文本与其它文本的相似度。
可选的，如图2所示，计算文本与其它文本的相似度包括以下子步骤：
步骤1021，通过TF-IDF算法计算所述所有文本的权值。
可选的，计算文本的权值时，可以采用词频-逆文本频率指数TF-IDF算法。词频-逆文本频率指数(term frequency–inverse document frequency，TF-IDF)是一种用于信息检索与数据挖掘的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜索引擎应用，作为文件与用户查询之间相关程度的度量或评级。
TF-IDF的主要思想是:如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。TF-IDF实际上是:(TF*IDF)，TF表示词条在文档d中出现的频率。IDF的主要思想是:如果包含词条t的文档n越少，也就是n越小，IDF 越大，则说明词条t具有很好的类别区分能力。如果某一类文档C中包含词条 t的文档数为m，而其它类包含词条t的文档总数为k，显然所有包含t的文档数n＝m+k，当m大的时候，n也大，按照IDF公式得到的IDF的值会小，就说明该词条t类别区分能力不强。
在一份给定的文件里，词频(term frequency，TF)指的是某一个给定的词语在该文件中出现的频率。这个数字是对词数(term count)的归一化，以防止它偏向长的文件。由于同一个词语在长文件里可能会比短文件有更高的词数，而不管该词语重要与否，因此在本实施例中，计算第一文本的词频可以根据
Figure BDA0001943161840000061
其中，ni,j是该第一文本ti在包含所有文本的短文本集dj中出现的次数，而分母则是在dj中所有文本出现的次数之和。
逆向文件频率(inverse document frequency，IDF)是一个词语普遍重要性的度量。第一文本的逆向文件频率可以采用
Figure BDA0001943161840000071
得到，其中，|D| 表示短文本集中包含的文件总数，|{j:ti∈dj}|表示包含第一文本ti的文件数目 (即ni,j≠0的文件数目)，如果第一文本不在短文本集中，就会导致被除数为零，因此一般情况下使用(1+|{j:ti∈dj}|)。
根据tfidfij＝tfi,j·idfi计算第一文本的权重。根据上述计算第一文本的权重的方法计算预处理后的短文本集中所有文本的权重。
步骤1022，根据所述所有文本的权值，计算所述所有文本中的第一文本与其它文本的相似度。
可选的，第一文本为所有文本中的任意一个文本，这里“第一”并不是为了给文本排序，而是为了方便描述。
可选的，文本与文本之间相似度的定义如下:假设有文本Ci和文本Cj，一般用cos(Ci,Cj)来表示文本相似度。cos(Ci,Cj)的取值区间为(0,1)，即0≤ cos(Ci,Cj)≤1。本实施例中，两个短文本的相似度越大，说明它们讨论的话题越相关。文本相似度的计算公式如下:
根据
Figure BDA0001943161840000072
计算所述第一文本与其它文本的相似度，其中，所述Ci表示所述第一文本，所述Cj表示所述其它文本。
其中，Ci·Cj为标准向量点积，分母中的Ci和Cj分别表示两个向量的长度，利用余弦公式计算两个文本距离具有不受文本向量长度影响的特性，即: cos(ACi,Cj)＝cos(Ci,Cj)，其中，A表示随机参数。
步骤1023，按照计算所述第一文本与其它文本的相似度的方法，计算所述所有文本与其它文本的相似度。
步骤1024，根据计算的所述所有文本与其它文本的相似度，构造所述所有文本与其它文本相似度的特征项矩阵。
本实施例采用特征项矩阵的方式表示所有文本与其它文本相似度，使得文本相似度的表示更直观，更规整。
步骤103，根据所述所有文本与其它文本的相似度，确定所述所有文本的聚类中心。
可选的，如图2所示，该步骤包括以下子步骤：
步骤1031，将计算获得的所述第一文本与其它文本的相似度按照相似度从大到小进行排序。
步骤1032，计算相似度排序中第(N-1)项与第N项相邻两项的梯度值，所述N大于1。
可选的，根据gra_ViN＝|similarity_d(Ci,CN-1)-similarity_d(Ci,CN)|，或者根据gra_ViN＝|similarity_d(Ci,CN)-similarity_d(Ci,CN-1)|，计算排序中第(N-1)项与第N项相邻两项的梯度值；其中，所述i表示计算的是第i个样本的值，所述 gra_ViN表示所述第i个文本的第N梯度值，所述similarity_d(Ci,CN-1)表示所述第i个文本与第(N-1)个文本的相似度，所述similarity_d(Ci,CN)表示所述第i 个样本与第N个文本的相似度。
步骤1033，计算相似度排序中前N项的梯度平均值。
根据
Figure BDA0001943161840000081
或者根据
Figure BDA0001943161840000082
计算排序中前 (N-1)项的梯度平均值；其中，所述gra_Ave_i表示所述第i个样本的梯度平均值，所述j小于等于所述(N-1)。
步骤1034，判断所述梯度值是否大于所述梯度平均值。
步骤1035，当所述梯度值大于所述梯度平均值时，确定所述第N项为跃迁点。
步骤1036，计算所述跃迁点与所述相似度排序中相似度最大项之间的项数。
例如，相似度排序按照从大到小的顺序排列为：cos(1，2)，cos(1，3)， cos(1，4)，cos(1，5)，cos(1，6)，cos(1，7)，cos(1，8)；计算的相邻两项的梯度差为：gra_V12，gra_V13，gra_V14，gra_V15，gra_V16，gra_V17；当 gra_V15小于大于计算出来的第四项的梯度平均值时，确定第四项发生跃迁，则所述跃迁点与所述相似度排序中相似度最大项之间的项数为3。
根据上述计算所述第一文本的所述跃迁点包含的项数，计算所述所有文本的跃迁点包含的项数，并确定所述所有文本的聚类中心。
可选的，如图2所示，确定所述所有文本的聚类中心包括：
步骤1037，比较所述所有文本的跃迁点包含的项数。
步骤1038，确定所述所有文本的跃迁点包含的项数中项数最多的文本为第一聚类中心。
可选的，到本步骤为止k-means聚类操作的第一个聚类中心确定。
步骤1039，删除所述第一聚类中心及与所述第一聚类中心相关的点。
步骤10310，根据确定所述第一聚类中心的方法确定所述所有文本中包含的聚类中心。
步骤104，根据所述聚类中心，对所述所有文本进行聚类处理。
可选的，确定所有的聚类中心后，根据现有技术进行k-means聚类操作。
本发明实施例提供的短文本聚类方法，通过计算文本与其它文本之间的相似度，然后根据相似度确定作为所有文本的聚类中心；根据所述聚类中心，对短文本集中的所有文本进行聚类处理，即采用类簇中心的样本梯度阶跃分割原理，提出了梯度阶跃优化初始聚类中心的K-Means算法，不需要提前输入初始聚类中心和其他参数，不仅能得到较好的聚类结果，且聚类结果稳定，解决了现有技术中K-means算法初始聚类中心随机选取带来的聚类结果不稳定，以及现有优化初始聚类中心的K-means算法的参数选取较多，聚类结果严重依赖于参数选择的问题。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供一种短文本聚类装置，如图3所示，该装置包括：预处理模块301，计算模块302，确定模块303，聚类处理模块304。
预处理模块301，用于对短文本集进行预处理，获得所述短文本集中的所有文本。
可选的，预处理模块301包括：通过分词系统对存储的短文本集进行分词、词性标注处理，然后通过停用词表对分词、词性标注处理后的词汇进行过滤，这样获得的所有文本即为本实施例待进行聚类处理的文本。进行预处理后的文本的信息量将下降到原信息量的一半，使得后续的处理过程计算量降低，更方便快捷。
计算模块302，用于根据所述所有文本，计算所述所有文本与其它文本的相似度。
可选的，所述计算模块302，还用于通过TF-IDF算法计算所述所有文本的权值；根据所述所有文本的权值，计算所述所有文本中的第一文本与其它文本的相似度；按照计算所述第一文本与其它文本的相似度的方法，计算所述所有文本与其它文本的相似度。
可选的，所述计算模块302，还用于根据
Figure BDA0001943161840000101
计算所述第一文本与其它文本的相似度，其中，所述Ci表示所述第一文本，所述Cj表示所述其它文本。
可选的，所述计算模块302计算所述所有文本与其它文本的相似度之后，还用于根据计算的所述所有文本与其它文本的相似度，构造所述所有文本与其它文本相似度的特征项矩阵。
确定模块303，用于根据所述所有文本与其它文本的相似度，确定所述所有文本的聚类中心。
可选的，所述确定模块303，用于将计算获得的所述第一文本与其它文本的相似度按照相似度从大到小进行排序；计算相似度排序中第(N-1)项与第N 项相邻两项的梯度值，所述N大于1；计算相似度排序中前N项的梯度平均值；判断所述梯度值是否大于所述梯度平均值；当所述梯度值大于所述梯度平均值时，确定所述第N项为跃迁点；计算所述跃迁点与所述相似度排序中相似度最大项之间的项数；根据上述计算所述第一文本的所述跃迁点包含的项数，计算所述所有文本的跃迁点包含的项数，并确定所述所有文本的聚类中心。
进一步的，所述确定模块303还用于比较所述所有文本的跃迁点包含的项数；确定所述所有文本的跃迁点包含的项数中项数最多的文本为第一聚类中心；删除所述第一聚类中心及与所述第一聚类中心相关的点；根据确定所述第一聚类中心的方法确定所述所有文本中包含的聚类中心。
可选的，所述确定模块303，计算相似度排序中第N项与第(N-1)项相邻两项的梯度值时，根据gra_ViN＝|similarity_d(Ci,CN-1)-similarity_d(Ci,CN)|，或者根据gra_ViN＝|similarity_d(Ci,CN)-similarity_d(Ci,CN-1)|，计算排序中第(N-1) 项与第N项相邻两项的梯度值；其中，所述i表示计算的是第i个样本的值，所述gra_ViN表示所述第i个文本的第N梯度值，所述similarity_d(Ci,CN-1)表示所述第i个文本与第(N-1)个文本的相似度，所述similarity_d(Ci,CN)表示所述第i个样本与第N个文本的相似度；
可选的，所述确定模块303，计算相似度排序中前N项的梯度平均值时，根据
Figure BDA0001943161840000111
或者根据
Figure BDA0001943161840000112
计算排序中前 (N-1)项的梯度平均值；其中，所述gra_Ave_i表示所述第i个样本的梯度平均值，所述j小于等于所述(N-1)。
聚类处理模块304，用于根据所述聚类中心，对所述所有文本进行聚类处理。
本发明实施例提供的短文本聚类装置，通过计算模块计算文本与其它文本之间的相似度，然后确定模块根据相似度确定作为所有文本的聚类中心；根据所述聚类中心，聚类处理模块对短文本集中的所有文本进行聚类处理，即采用类簇中心的样本梯度阶跃分割原理，提出了梯度阶跃优化初始聚类中心的 K-Means算法，不需要提前输入初始聚类中心和其他参数，不仅能得到较好的聚类结果，且聚类结果稳定，解决了现有技术中K-means算法初始聚类中心随机选取带来的聚类结果不稳定，以及现有优化初始聚类中心的K-means算法的参数选取较多，聚类结果严重依赖于参数选择的问题。
图4是本发明一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403，例如短文本聚类程序。所述处理器401执行所述计算机程序403时实现上述短文本聚类方法实施例中的步骤，例如图1所示的步骤101至104，或者图2所示的步骤101至步骤104，所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块的功能，例如图3所示模块301至304的功能。
示例性的，所述计算机程序403可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述短文本聚类的装置或者终端设备4中的执行过程。例如，所述计算机程序403可以被分割成预处理模块 301，计算模块302，确定模块303，聚类处理模块304，各模块具体功能如图3 所示，在此不再一一赘述。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4 的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述终端设备4的内部存储单元，例如终端设备4 的硬盘或内存。所述存储器402也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端设备4所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种短文本聚类方法，其特征在于，包括：
对短文本集进行预处理，获得所述短文本集中的所有文本；
根据所述所有文本，计算所述所有文本与其它文本的相似度；
根据所述所有文本与其它文本的相似度，确定所述所有文本的聚类中心，包括：将计算获得的所述所有文本中的第一文本与其它文本的相似度按照相似度从大到小进行排序；计算相似度排序中第(N-1)项与第N项相邻两项的梯度值，所述N大于1；计算相似度排序中前N项的梯度平均值；判断所述梯度值是否大于所述梯度平均值；当所述梯度值大于所述梯度平均值时，确定所述第N项为跃迁点；计算所述跃迁点与所述相似度排序中相似度最大项之间的项数；根据上述计算所述第一文本的所述跃迁点包含的项数，计算所述所有文本的跃迁点包含的项数，并确定所述所有文本的聚类中心；
根据所述聚类中心，对所述所有文本进行聚类处理。
2.如权利要求1所述的短文本聚类方法，其特征在于，所述根据所述所有文本，计算所述所有文本与其它文本的相似度，包括：
通过TF-IDF算法计算所述所有文本的权值；
根据所述所有文本的权值，计算所述所有文本中的第一文本与其它文本的相似度；
按照计算所述第一文本与其它文本的相似度的方法，计算所述所有文本与其它文本的相似度。
3.如权利要求2所述的短文本聚类方法，其特征在于，在所述计算所述所有文本与其它文本的相似度之后，还包括：
根据计算的所述所有文本与其它文本的相似度，构造所述所有文本与其它文本的相似度的特征项矩阵。
4.如权利要求3所述的短文本聚类方法，其特征在于，所述根据所述所有文本的权值，计算所述所有文本中的第一文本与其它文本的相似度，包括：
根据
Figure FDA0004028271620000021
计算所述第一文本与其它文本的相似度，其中，所述Ci表示所述第一文本，所述Cj表示所述其它文本。
5.如权利要求1-4中任一项所述的短文本聚类方法，其特征在于，所述确定所述所有文本的聚类中心，包括：
比较所述所有文本的跃迁点包含的项数；
确定所述所有文本的跃迁点包含的项数中项数最多的文本为第一聚类中心；
删除所述第一聚类中心及与所述第一聚类中心相关的点；
根据确定所述第一聚类中心的方法确定所述所有文本中包含的聚类中心。
6.如权利要求1-4中任一项所述的短文本聚类方法，其特征在于，所述计算相似度排序中第(N-1)项与第N项相邻两项的梯度值，包括：
根据gra_ViN＝|similarity_d(Ci,CN-1)-similarity_d(Ci,CN)|，或者根据gra_ViN＝|similarity_d(Ci,CN)-similarity_d(Ci,CN-1)|，计算排序中第(N-1)项与第N项相邻两项的梯度值；其中，所述i表示计算的是第i个样本的值，所述gra_ViN表示所述第i个文本的第N梯度值，所述similarity_d(Ci,CN-1)表示所述第i个文本与第(N-1)个文本的相似度，所述similarity_d(Ci,CN)表示所述第i个样本与第N个文本的相似度；
所述计算相似度排序中前N项的梯度平均值，包括：
根据
Figure FDA0004028271620000022
或者根据
Figure FDA0004028271620000023
计算排序中前(N-1)项的梯度平均值；其中，所述gra_Ave_i表示所述第i个样本的梯度平均值，所述j小于等于所述(N-1)。
7.一种短文本聚类装置，其特征在于，包括：
预处理模块，用于对短文本集进行预处理，获得所述短文本集中的所有文本；
计算模块，用于根据所述所有文本，计算所述所有文本与其它文本的相似度；
确定模块，用于根据所述所有文本与其它文本的相似度，确定所述所有文本的聚类中心；所述确定模块，用于将计算获得的所述所有文本中的第一文本与其它文本的相似度按照相似度从大到小进行排序；计算相似度排序中第(N-1)项与第N项相邻两项的梯度值，所述N大于1；计算相似度排序中前N项的梯度平均值；判断所述梯度值是否大于所述梯度平均值；当所述梯度值大于所述梯度平均值时，确定所述第N项为跃迁点；计算所述跃迁点与所述相似度排序中相似度最大项之间的项数；根据上述计算所述第一文本的所述跃迁点包含的项数，计算所述所有文本的跃迁点包含的项数，并确定所述所有文本的聚类中心；
聚类处理模块，用于根据所述聚类中心，对所述所有文本进行聚类处理。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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至6任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN201910027851.8A 2019-01-11 2019-01-11 短文本聚类方法及终端设备 Active CN109783816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910027851.8A CN109783816B (zh) 2019-01-11 2019-01-11 短文本聚类方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910027851.8A CN109783816B (zh) 2019-01-11 2019-01-11 短文本聚类方法及终端设备

Publications (2)

Publication Number Publication Date
CN109783816A CN109783816A (zh) 2019-05-21
CN109783816B true CN109783816B (zh) 2023-04-07

Family

ID=66500268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910027851.8A Active CN109783816B (zh) 2019-01-11 2019-01-11 短文本聚类方法及终端设备

Country Status (1)

Country Link
CN (1) CN109783816B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112182206B (zh) * 2020-09-01 2023-06-09 中国联合网络通信集团有限公司 文本聚类方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136355A (zh) * 2013-03-05 2013-06-05 电子科技大学 一种基于自动阈值鱼群算法的文本聚类方法
JP2013196212A (ja) * 2012-03-16 2013-09-30 Fujitsu Ltd 文書分割装置、文書分割プログラムおよび文書分割方法
CN104102626A (zh) * 2014-07-07 2014-10-15 厦门推特信息科技有限公司 一种用于短文本语义相似度计算的方法
CN104778280A (zh) * 2015-05-04 2015-07-15 合肥工业大学 基于近邻传播的文本数据流聚类算法
CN104866572A (zh) * 2015-05-22 2015-08-26 齐鲁工业大学 一种网络短文本聚类方法
CN106096066A (zh) * 2016-08-17 2016-11-09 盐城工学院 基于随机近邻嵌入的文本聚类方法
CN106599029A (zh) * 2016-11-02 2017-04-26 焦点科技股份有限公司 一种中文短文本聚类方法
CN106611041A (zh) * 2016-09-29 2017-05-03 四川用联信息技术有限公司 一种新的文本相似度求解方法
CN106649853A (zh) * 2016-12-30 2017-05-10 儒安科技有限公司 一种基于深度学习的短文本聚类方法
CN108961316A (zh) * 2017-05-23 2018-12-07 华为技术有限公司 图像处理方法、装置及服务器
CN109165696A (zh) * 2018-09-29 2019-01-08 联想(北京)有限公司 一种聚类方法及电子设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013196212A (ja) * 2012-03-16 2013-09-30 Fujitsu Ltd 文書分割装置、文書分割プログラムおよび文書分割方法
CN103136355A (zh) * 2013-03-05 2013-06-05 电子科技大学 一种基于自动阈值鱼群算法的文本聚类方法
CN104102626A (zh) * 2014-07-07 2014-10-15 厦门推特信息科技有限公司 一种用于短文本语义相似度计算的方法
CN104778280A (zh) * 2015-05-04 2015-07-15 合肥工业大学 基于近邻传播的文本数据流聚类算法
CN104866572A (zh) * 2015-05-22 2015-08-26 齐鲁工业大学 一种网络短文本聚类方法
CN106096066A (zh) * 2016-08-17 2016-11-09 盐城工学院 基于随机近邻嵌入的文本聚类方法
CN106611041A (zh) * 2016-09-29 2017-05-03 四川用联信息技术有限公司 一种新的文本相似度求解方法
CN106599029A (zh) * 2016-11-02 2017-04-26 焦点科技股份有限公司 一种中文短文本聚类方法
CN106649853A (zh) * 2016-12-30 2017-05-10 儒安科技有限公司 一种基于深度学习的短文本聚类方法
CN108961316A (zh) * 2017-05-23 2018-12-07 华为技术有限公司 图像处理方法、装置及服务器
CN109165696A (zh) * 2018-09-29 2019-01-08 联想(北京)有限公司 一种聚类方法及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于短文本的热点分析关键技术研究";高华林;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180415;I138-3543 *

Also Published As

Publication number Publication date
CN109783816A (zh) 2019-05-21

Similar Documents

Publication Publication Date Title
US9418144B2 (en) Similar document detection and electronic discovery
Oghbaie et al. Pairwise document similarity measure based on present term set
CN111753048B (zh) 文档检索方法、装置、设备及存储介质
CN111797214A (zh) 基于faq数据库的问题筛选方法、装置、计算机设备及介质
CN108647322B (zh) 基于词网识别大量Web文本信息相似度的方法
CN112395875A (zh) 一种关键词提取方法、装置、终端以及存储介质
CN111126442B (zh) 一种物品关键属性生成方法、物品分类方法和装置
CN110569289B (zh) 基于大数据的列数据处理方法、设备及介质
CN112395487A (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
Jo K nearest neighbor for text summarization using feature similarity
Jo Using K Nearest Neighbors for text segmentation with feature similarity
Baena-García et al. TF-SIDF: Term frequency, sketched inverse document frequency
CN109783816B (zh) 短文本聚类方法及终端设备
Zhou et al. Feature selection based on term frequency reordering of document level
CN113761185A (zh) 主键提取方法、设备及存储介质
CN115544257B (zh) 网盘文档快速分类方法、装置、网盘及存储介质
WO2022257455A1 (zh) 一种相似文本的确定方法、装置、终端设备及存储介质
Agnihotri et al. Mutual information using sample variance for text feature selection
CN114780712B (zh) 一种基于质量评价的新闻专题生成方法及装置
CN110852078A (zh) 生成标题的方法和装置
CN111090743B (zh) 一种基于词嵌入和多值形式概念分析的论文推荐方法及装置
CN114818686A (zh) 基于人工智能的文本推荐方法及相关设备
CN113792131A (zh) 一种关键词的提取方法、装置、电子设备及存储介质
CN112948545A (zh) 查重方法、终端设备及计算机可读存储介质
CN107622129B (zh) 一种知识库的组织方法及装置、计算机存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Dragon

Inventor after: Li Tiefei

Inventor after: Wei Zhongcheng

Inventor after: Wu Di

Inventor after: Yang Ruixin

Inventor after: Ma Jianfei

Inventor after: Huang Zhuyun

Inventor after: Zhang Mengtian

Inventor after: Sun Lei

Inventor before: Wu Di

Inventor before: Yang Ruixin

Inventor before: Dragon

Inventor before: Ma Jianfei

Inventor before: Huang Zhuyun

Inventor before: Zhang Mengtian

Inventor before: Sun Lei

GR01 Patent grant
GR01 Patent grant