CN112328796B - 文本聚类方法、装置、设备及计算机可读存储介质 - Google Patents
文本聚类方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112328796B CN112328796B CN202011288655.5A CN202011288655A CN112328796B CN 112328796 B CN112328796 B CN 112328796B CN 202011288655 A CN202011288655 A CN 202011288655A CN 112328796 B CN112328796 B CN 112328796B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- text
- text feature
- clustering
- local density
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 345
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000003064 k means clustering Methods 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域，揭露一种文本聚类方法，包括：将至少两个待聚类文本进行向量化处理，得到文本特征向量集；通过密度峰值算法，从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量；根据初始簇中心向量和初始簇的数量，通过k均值聚类算法对文本特征向量集进行聚类处理，得到聚类结果。本发明还涉及区块链技术，所述预设特征向量转化模型存储于区块链中。本发明能够提高文本聚类的准确性。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种文本聚类的方法、装置、电子设备及计算机可读存储介质。
背景技术
文本聚类分析是一种无监督机器学习算法，它的目标是将相似的文本归到同一个簇中，将不相似的文本归到不同的簇中。通过对文本进行聚类，我们可以将大量文本信息组成少数有意义的簇，从而达到协助人们能够更好地对大规模文本进行理解。
目前的文本聚类方法主要分为文本特征表示和文本聚类模型两部分。Bert是目前常用的预训练的语言模型表示，常用句向量表示方法是将BERT(语义表示模型)输出层进行平均或直接使用[CLS](共语言规范)的输出，这种方式得到的向量相似度计算值都较高，无法直接用于下游文本聚类。即使获得的向量相似度较低，能够直接使用传统聚类方法进行聚类，但由于常用的聚类方法通常需要进行预设对应的K值，而K值的控制严重影响聚类整体的效果，如果K很小，则聚类可能不彻底，即隔着很远的两波点也被聚为一类，会使类内距离变得很大；相反的，过大的K虽然会降低类内间距，但有时候分得过细会对数据的泛化性造成损害，目前的聚类方法的聚类效果较差。
发明内容
本发明提供一种文本聚类方法、装置、电子设备及计算机可读存储介质，其主要目的在于能够提高文本聚类的准确性。
第一方面，为实现上述目的，本发明提供的一种文本聚类方法，包括：将至少两个待聚类文本进行向量化处理，得到文本特征向量集；
通过密度峰值算法，从所述文本特征向量集中选取初始簇中心向量和确定所述文本特征向量集中初始簇的数量；
根据所述初始簇中心向量和所述初始簇的数量，通过k均值聚类算法对所述文本特征向量集进行聚类处理，得到聚类结果。
第二方面，为了解决上述问题，本发明还提供一种文本聚类装置，所述装置包括：
文本向量化处理模块，用于将至少两个待聚类文本进行向量化处理，得到文本特征向量集；
初始簇中心选取模块，用于通过密度峰值算法，从所述文本特征向量集中选取初始簇中心向量和确定所述文本特征向量集中初始簇的数量；
聚类模块，用于根据所述初始簇中心向量和所述初始簇的数量，通过k均值聚类算法对所述文本特征向量集进行聚类处理，得到聚类结果。
第三方面，为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的文本聚类方法中的步骤。
第四方面，为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的文本聚类方法中的步骤。
本发明提出的文本聚类方法、装置、电子设备及计算机可读存储介质，通过将至少两个待聚类文本进行向量化处理，得到文本特征向量集；再通过密度峰值算法，从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量；最后根据初始簇中心向量和初始簇的数量，通过k均值聚类算法对文本特征向量集进行聚类处理，得到聚类结果。有效改善了现有的BERT模型，使后续聚类距离刻画更准确；在进行聚类之前，先选取较为准确的初始簇中心和确定初始簇的数量，提高聚类的准确度。
附图说明
图1为本发明一实施例提供的文本聚类方法的流程示意图；
图2为本发明一实施例提供的中文文本聚类装置的模块示意图；
图3为本发明一实施例提供的实现中文文本聚类方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种文本聚类方法。参照图1所示，为本发明一实施例提供的文本聚类方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，文本聚类方法包括：
S110、将至少两个待聚类文本进行向量化处理，得到文本特征向量集。
具体的，处理器获取至少两个文本，例如，文本1.上传行驶证的地方在哪，文本2.行驶证在哪呢上传，文本3.车架号在哪里上传，文本4.哪里上传驾驶证，文本5.行驶证在哪上传，文本6.多久能过来，确定了给我说一下文本7.你还要多久过来，文本8.对方有点急，你什么时候过来，文本9.哥你要多长时间过来，文本10.费用是先代垫吗，文本11.代步车怎么弄等11个文本，将上述11个文本均极性向量化处理，得到每个文本对应的向量，由每个文本对应的向量组合成文本特征向量集。
作为本发明的一个可选方案，将待聚类文本进行向量化处理，得到文本特征向量集包括：
通过存储于区块链中的预设特征向量转化模型对所述待聚类文本进行向量化处理，得到所述文本特征向量集；
其中，预设特征向量转化模型包括：用于获取待聚类文本的文本输入层；用于对文本输入层获取的待聚类文本中的语句进行特征提取的特征提取层；用于将特征提取层输出的语句特征按照语句在待聚类文本中的前后顺序组成该待聚类文本的文本特征向量的文本特征向量组合层；以及将文本特征向量组合层得到的文本特征向量以数集的形式输出的文本特征向量集输出层。
具体的，通过预设向量转化模型对输入的待聚类文本进行向量化处理，可同时将所有需要聚类处理的待聚类文本由文本输入层输入，通过特征提取层对每个待聚类文本中的语句进行特征提取，然后再通过向量的文本特征向量组合层将每个句子对应的语句特征按照语句在待聚类文本中的前后顺序组成该待聚类文本的文本特征向量，最后由文本特征向量集输出层将所有的文本特征向量以数集的形式输出。以上述文本1-11为例，举例如下：
上述文本1-11所组成的文本特征向量集为D，D＝{x1,x2……,x11}，Is＝{1,2,…,11}，其中x1～x11分别对应一个768维的向量，又被称为句向量。
x1为[-2.14241875e-01 8.35451669e-01 -2.49458506e-04 -7.33786062e-013.16044617e-01 -6.69386615e-01 5.76394848e-01 5.29527119e-01 …… -1.19586737e-01 -2.52263425e-01 9.38451312e-02 -5.21704303e-02 5.15136244e-027.24361860e-02 -2.67929818e-01 -1.10666597e+00]
……
x11为[-1.98151936e-01 -6.71910470e-01 2.82985219e-02 1.05765559e-02 -3.69680382e-01 -4.71123520e-01 1.03769137e+00 1.06052447e+00 …… 1.89803528e+00 -9.38630030e-01 2.18604428e-01 -9.62960821e-02 -6.57720929e-012.96399058e-01 7.09969706e-02 -2.32957089e-02]。
S120、通过密度峰值算法，从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量。
具体的，处理器通过密度峰值算法从文本特征向量集的多个文本特征向量中选取较为准确的初始簇中心向量，并且确定出文本特征向量集中初始簇的数量，便于后续对待聚类文本进行聚类。以上述文本1-11为例：
利用密度峰值算法确定该11个文本得到的文本特征向量集中的初始簇个数和初始簇中心向量，共得到初始簇的数量为4，初始簇中心为x5、x9、x10、x11。
作为本发明的一个可选方案，通过密度峰值算法，从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量包括：
通过第一距离计算公式，计算出文本特征向量集中每两个文本特征向量之间的第一距离，得到距离矩阵；
根据距离矩阵，通过局部密度公式计算文本特征向量集中的每个文本特征向量的局部密度；
根据距离矩阵和每个文本特征向量的局部密度，通过第二距离公式计算所述文本特征向量集中的每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离；
根据每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离，通过簇中心判断公式从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量。
具体的，通过第一距离计算公式计算文本特征向量集中每两个文本特征向量之间的第一距离，其中，第一距离计算公式可以选择cos距离公式或欧氏距离公式，然后再根据距离矩阵计算出每个文本特征向量的局部密度，再根据每个文本特征向量的局部密度找出大于该文本特征向量自身的局部密度，通过第二距离公式计算所述文本特征向量集中的每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离，最后通过簇中心判断公式从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量。
作为本发明的一个可选方案，局部密度公式为：
所述第二距离公式为：
其中，{x1,x2……,xn}为文本特征向量集，Is＝{1,2,…,n}为每个文本特征向量对应序号的集合，xn为文本特征向量，ρi为与xi的距离小于dc的文本特征向量的个数即xi的局部密度，dc为截断距离，dij为xi与xj的第一距离，(j≠i,j∈Is)，
为局部密度值大于xi的文本特征向量的集和，若/>
不为空，则选取/>
中与xi的距离的最小值，若/>
为空，则选取/>
中与xi的距离的最大值。
具体的，根据上述的局部密度公式得到文本特征向量集每个文本特征向量在截断距离范围内的密度；通过第二距离公式得到每个文本特征向量集中的每个文本特征向量与比其自身局部密度大的文本特征向量之间的距离。
作为本发明的一个可选方案，根据每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离，通过簇中心判断公式从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量包括：
将每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离带入第一簇中心判断公式，并将得到的数值进行降序排列，得到第一待用数集；其中，第一簇中心判断公式为：γi＝ρiδi,i∈Is
将第一待用数集依次带入第二簇中心判断公式，根据第二簇中心判断公式从所述文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量；第二簇中心判断公式为
其中，m为γi所对应的序号，
M为/>
取最大值时，m的数值，将m左侧的γi所对应的点确定为初始簇中心的文本特征向量，m左侧的γi的个数即为所述文本特征向量集中初始簇的数量。
具体的，将每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离带入第一簇中心判断公式中，即得到两者相乘的数值，然后上述数值进行降序排序，再依次带入第二簇中心判断公式中，非聚类中心点间的连线比较平滑,且非聚类中心点过度至聚类中心点会有一个跳跃点(拐点)，通过选取斜率变化最大的点为拐点，拐点左侧的若干个点即为簇中心。
作为本发明的一个可选方案，在将每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离带入第一簇中心判断公式，并将得到的数值进行降序排列，得到第一待用数集之前，还包括：
将每个文本特征向量的局部密度和每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离对应的值进行归一化处理。
具体的，由于文本特征向量的局部密度和每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离可能不在一个数量级，所欲需要将两者对应的值归一化至[0,1]。
S130、根据初始簇中心向量和初始簇的数量，通过k均值聚类算法对文本特征向量集进行聚类处理，得到聚类结果。
具体的，处理器根据初始簇中心向量和初始簇的数量，通过k均值聚类算法对文本特征向量集进行聚类处理，最终得到聚类后的文本，作为聚类结果输出。如上述文本1-11，获得最终的簇的个数为4，其中簇1中包含x1、x2、x3、x4、x5，簇2中包含x6、x7、x8、x9，簇3中包含x10，簇4中包含x11。
作为本发明的一个可选方案，根据初始簇中心向量和初始簇的数量，通过k均值聚类算法对文本特征向量集进行聚类处理，得到聚类结果包括：
将文本特征向量集中除去所述初始簇中心向量所剩下的文本特征向量作为待分类向量；
计算每个待分类向量到每个初始簇中心向量之间的距离，得到第一聚类距离；
将待分类向量归于与该待分类向量的第一聚类距离最近的初始簇中心向量所属的类别，得到初始类；
计算每个初始类中所有类向量的平均值，将平均值作为新的聚类中心；
根据新的聚类中心，对初始类中的类向量进行重新聚类，直到不再有新的聚类中心产生，得到聚类结果。
具体的，处理器根据初始簇中心向量，计算文本特征向量集中其余向量到初始簇中心向量的距离，将距离初始簇中心向量最近的文本特征向量归于初始簇中心向量所述的类别，形成初始类，在对初始类中所有类向量的平均值，将平均值作为新的聚类中心，根据新的聚类中心，对初始类中的类向量进行重新聚类，直到不再有新的聚类中心产生，说明聚类中心稳定，最终得到聚类结果。
如图2所示，是本发明一个实施例的文本聚类装置的功能模块图。
本发明所述文本聚类装置200可以安装于电子设备中。根据实现的功能，所述文本聚类装置可以包括文本向量化处理模块210、初始簇中心选取模块220、聚类模块230。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
文本向量化处理模块210，用于将至少两个待聚类文本进行向量化处理，得到文本特征向量集。
具体的，处理器获取至少两个文本，例如，文本1.上传行驶证的地方在哪，文本2.行驶证在哪呢上传，文本3.车架号在哪里上传，文本4.哪里上传驾驶证，文本5.行驶证在哪上传，文本6.多久能过来，确定了给我说一下文本7.你还要多久过来，文本8.对方有点急，你什么时候过来，文本9.哥你要多长时间过来，文本10.费用是先代垫吗，文本11.代步车怎么弄等11个文本，将上述11个文本均极性向量化处理，得到每个文本对应的向量，由每个文本对应的向量组合成文本特征向量集。
作为本发明的一个可选方案，将待聚类文本进行向量化处理，得到文本特征向量集包括：
通过存储于区块链中的预设特征向量转化模型对所述待聚类文本进行向量化处理，得到所述文本特征向量集；
其中，预设特征向量转化模型包括：用于获取待聚类文本的文本输入层；用于对文本输入层获取的待聚类文本中的语句进行特征提取的特征提取层；用于将特征提取层输出的语句特征按照语句在待聚类文本中的前后顺序组成该待聚类文本的文本特征向量的文本特征向量组合层；以及将文本特征向量组合层得到的文本特征向量以数集的形式输出的文本特征向量集输出层。
具体的，通过预设向量转化模型对输入的待聚类文本进行向量化处理，可同时将所有需要聚类处理的待聚类文本由文本输入层输入，通过特征提取层对每个待聚类文本中的语句进行特征提取，然后再通过向量的文本特征向量组合层将每个句子对应的语句特征按照语句在待聚类文本中的前后顺序组成该待聚类文本的文本特征向量，最后由文本特征向量集输出层将所有的文本特征向量以数集的形式输出。以上述文本1-11为例，举例如下：
上述文本1-11所组成的文本特征向量集为D，D＝{x1,x2……,x11}，Is＝{1,2,…,11}，其中x1～x11分别对应一个768维的向量，又被称为句向量。
x1为[-2.14241875e-01 8.35451669e-01 -2.49458506e-04 -7.33786062e-013.16044617e-01 -6.69386615e-01 5.76394848e-01 5.29527119e-01 …… -1.19586737e-01 -2.52263425e-01 9.38451312e-02 -5.21704303e-02 5.15136244e-027.24361860e-02 -2.67929818e-01 -1.10666597e+00]
……
x11为[-1.98151936e-01 -6.71910470e-01 2.82985219e-02 1.05765559e-02 -3.69680382e-01 -4.71123520e-01 1.03769137e+00 1.06052447e+00 …… 1.89803528e+00 -9.38630030e-01 2.18604428e-01 -9.62960821e-02 -6.57720929e-012.96399058e-01 7.09969706e-02 -2.32957089e-02]。
初始簇中心选取模块220，用于通过密度峰值算法，从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量。
具体的，处理器通过密度峰值算法从文本特征向量集的多个文本特征向量中选取较为准确的初始簇中心向量，并且确定出文本特征向量集中初始簇的数量，便于后续对待聚类文本进行聚类。以上述文本1-11为例：
利用密度峰值算法确定该11个文本得到的文本特征向量集中的初始簇个数和初始簇中心向量，共得到初始簇的数量为4，初始簇中心为x5、x9、x10、x11。
作为本发明的一个可选方案，通过密度峰值算法，从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量包括：
通过第一距离计算公式，计算出文本特征向量集中每两个文本特征向量之间的第一距离，得到距离矩阵；
根据距离矩阵，通过局部密度公式计算文本特征向量集中的每个文本特征向量的局部密度；
根据距离矩阵和每个文本特征向量的局部密度，通过第二距离公式计算所述文本特征向量集中的每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离；
根据每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离，通过簇中心判断公式从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量。
具体的，通过第一距离计算公式计算文本特征向量集中每两个文本特征向量之间的第一距离，其中，第一距离计算公式可以选择cos距离公式或欧氏距离公式，然后再根据距离矩阵计算出每个文本特征向量的局部密度，再根据每个文本特征向量的局部密度找出大于该文本特征向量自身的局部密度，通过第二距离公式计算所述文本特征向量集中的每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离，最后通过簇中心判断公式从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量。
作为本发明的一个可选方案，局部密度公式为：
所述第二距离公式为：
其中，{x1,x2……,xn}为文本特征向量集，Is＝{1,2,…,n}为每个文本特征向量对应序号的集合，xn为文本特征向量，ρi为与xi的距离小于dc的文本特征向量的个数即xi的局部密度，dc为截断距离，dij为xi与xj的第一距离，(j≠i,j∈Is)，
为局部密度值大于xi的文本特征向量的集和，若/>
不为空，则选/>
中与xi的距离的最小值，若/>
为空，则选取/>
中与xi的距离的最大值
具体的，根据上述的局部密度公式得到文本特征向量集每个文本特征向量在截断距离范围内的密度；通过第二距离公式得到每个文本特征向量集中的每个文本特征向量与比其自身局部密度大的文本特征向量之间的距离。
作为本发明的一个可选方案，根据每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离，通过簇中心判断公式从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量包括：
将每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离带入第一簇中心判断公式，并将得到的数值进行降序排列，得到第一待用数集；其中，第一簇中心判断公式为：γi＝ρiδi,i∈Is
将第一待用数集依次带入第二簇中心判断公式，根据第二簇中心判断公式从所述文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量；第二簇中心判断公式为
其中，m为γi所对应的序号，
M为/>
取最大值时，m的数值，将m左侧的γi所对应的点确定为初始簇中心的文本特征向量，m左侧的γi的个数即为所述文本特征向量集中初始簇的数量。
具体的，将每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离带入第一簇中心判断公式中，即得到两者相乘的数值，然后上述数值进行降序排序，再依次带入第二簇中心判断公式中，非聚类中心点间的连线比较平滑,且非聚类中心点过度至聚类中心点会有一个跳跃点(拐点)，通过选取斜率变化最大的点为拐点，拐点左侧的若干个点即为簇中心。
作为本发明的一个可选方案，在将每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离带入第一簇中心判断公式，并将得到的数值进行降序排列，得到第一待用数集之前，还包括：
将每个文本特征向量的局部密度和每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离对应的值进行归一化处理。
具体的，由于文本特征向量的局部密度和每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离可能不在一个数量级，所欲需要将两者对应的值归一化至[0,1]。
聚类模块230，用于根据初始簇中心向量和初始簇的数量，通过k均值聚类算法对文本特征向量集进行聚类处理，得到聚类结果。
具体的，处理器根据初始簇中心向量和初始簇的数量，通过k均值聚类算法对文本特征向量集进行聚类处理，最终得到聚类后的文本，作为聚类结果输出。如上述文本1-11，获得最终的簇的个数为4，其中簇1中包含x1、x2、x3、x4、x5，簇2中包含x6、x7、x8、x9，簇3中包含x10，簇4中包含x11。
作为本发明的一个可选方案，根据初始簇中心向量和初始簇的数量，通过k均值聚类算法对文本特征向量集进行聚类处理，得到聚类结果包括：
将文本特征向量集中除去所述初始簇中心向量所剩下的文本特征向量作为待分类向量；
计算每个待分类向量到每个初始簇中心向量之间的距离，得到第一聚类距离；
将待分类向量归于与该待分类向量的第一聚类距离最近的初始簇中心向量所属的类别，得到初始类；
计算每个初始类中所有类向量的平均值，将平均值作为新的聚类中心；
根据新的聚类中心，对初始类中的类向量进行重新聚类，直到不再有新的聚类中心产生，得到聚类结果。
具体的，处理器根据初始簇中心向量，计算文本特征向量集中其余向量到初始簇中心向量的距离，将距离初始簇中心向量最近的文本特征向量归于初始簇中心向量所述的类别，形成初始类，在对初始类中所有类向量的平均值，将平均值作为新的聚类中心，根据新的聚类中心，对初始类中的类向量进行重新聚类，直到不再有新的聚类中心产生，说明聚类中心稳定，最终得到聚类结果。
如图3所示，是本发明一个实施例实现文本聚类方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如文本聚类程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如文本聚类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如文本聚类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，可选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的文本聚类程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
将至少两个待聚类文本进行向量化处理，得到文本特征向量集；
通过密度峰值算法，从文本特征向量集中选取初始簇中心向量和确定文本特征向量集中初始簇的数量；
根据初始簇中心向量和初始簇的数量，通过k均值聚类算法对文本特征向量集进行聚类处理，得到聚类结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。需要强调的是，为进一步保证上述预设特征向量转化模型的私密和安全性，上述预设特征向量转化模型还可以存储于一区块链的节点中。
进一步地，所述电子设备1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。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)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种文本聚类方法，其特征在于，所述方法包括：
将至少两个待聚类文本进行向量化处理，得到文本特征向量集；
通过第一距离计算公式，计算出所述文本特征向量集中每两个文本特征向量之间的第一距离，得到距离矩阵；
根据所述距离矩阵，通过局部密度公式计算所述文本特征向量集中的每个文本特征向量的局部密度；
根据所述距离矩阵和每个文本特征向量的局部密度，通过第二距离公式计算所述文本特征向量集中的每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离；其中，
所述局部密度公式为：
所述第二距离公式为：
其中，{x1，x2......，xn}为文本特征向量集，Is＝{1，2，...，n}为每个文本特征向量对应序号的集合，xn为文本特征向量，ρi为与xi的距离小于dc的文本特征向量的个数即xi的局部密度，dc为截断距离，dij为xi与xj的第一距离，(j≠i，j∈Is)，
为局部密度值大于xi的文本特征向量的集和，若/>
不为空，则选取/>
中与xi的距离的最小值，若/>
为空，则选取/>
中与xi的距离的最大值；
将所述每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离带入第一簇中心判断公式，并将得到的数值进行降序排列，得到第一待用数集；其中，所述第一簇中心判断公式为：γi＝ρiδi，i∈Is
将所述第一待用数集依次带入第二簇中心判断公式，根据所述第二簇中心判断公式从所述文本特征向量集中选取初始簇中心向量和确定所述文本特征向量集中初始簇的数量；其中，所述第二簇中心判断公式为
其中，m为γi所对应的序号，
M为/>
取最大值时，m的数值，将m左侧的γi所对应的点确定为初始簇中心的文本特征向量，m左侧的γi的个数即为所述文本特征向量集中初始簇的数量；根据所述初始簇中心向量和所述初始簇的数量，通过k均值聚类算法对所述文本特征向量集进行聚类处理，得到聚类结果。
2.根据权利要求1所述的文本聚类方法，其特征在于，所述将至少两个待聚类文本进行向量化处理，得到文本特征向量集包括：
通过存储于区块链中的预设特征向量转化模型对所述待聚类文本进行向量化处理，得到所述文本特征向量集；其中，
所述预设特征向量转化模型包括：用于获取所述待聚类文本的文本输入层；用于对所述文本输入层获取的待聚类文本中的语句进行特征提取的特征提取层；用于将所述特征提取层输出的语句特征按照语句在所述待聚类文本中的前后顺序组成该待聚类文本的文本特征向量组合层；以及将所述文本特征向量组合层得到的文本特征向量以数集的形式输出的文本特征向量集输出层。
3.根据权利要求1所述的文本聚类方法，其特征在于，在将所述每个文本特征向量的局部密度以及每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离带入第一簇中心判断公式，并将得到的数值进行降序排列，得到第一待用数集之前，还包括：
将每个文本特征向量的局部密度和每个文本特征向量分别与比其自身局部密度大的文本特征向量之间的距离对应的值进行归一化处理。
4.根据权利要求1所述的文本聚类方法，其特征在于，所述根据所述初始簇中心向量和所述初始簇的数量，通过k均值聚类算法对所述文本特征向量集进行聚类处理，得到聚类结果包括：
将所述文本特征向量集中除去所述初始簇中心向量所剩下的文本特征向量作为待分类向量；
计算每个待分类向量到每个初始簇中心向量之间的距离，得到第一聚类距离；
将所述待分类向量归于与该所述待分类向量的第一聚类距离最近的初始簇中心向量所属的类别，得到初始类；
计算每个初始类中所有类向量的平均值，将所述平均值作为新的聚类中心；
根据新的聚类中心，对所述初始类中的类向量进行重新聚类，直到不再有新的聚类中心产生，得到聚类结果。
5.一种文本聚类装置，其特征在于，所述文本聚类装置用于执行如权利要求1至4中任一所述的文本聚类方法中的步骤。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任一所述的文本聚类方法中的步骤。
7.一种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4中任一所述的文本聚类方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011288655.5A CN112328796B (zh) | 2020-11-17 | 2020-11-17 | 文本聚类方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011288655.5A CN112328796B (zh) | 2020-11-17 | 2020-11-17 | 文本聚类方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112328796A CN112328796A (zh) | 2021-02-05 |
| CN112328796B true CN112328796B (zh) | 2023-06-30 |
Family
ID=74322384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011288655.5A Active CN112328796B (zh) | 2020-11-17 | 2020-11-17 | 文本聚类方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112328796B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110096236A (ko) * | 2010-02-22 | 2011-08-30 | 숭실대학교산학협력단 | 클러스터 간 상호정보를 이용한 클러스터링 장치 및 방법 |
| 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 |
| CN106649877A (zh) * | 2017-01-06 | 2017-05-10 | 广东工业大学 | 一种基于密度峰值的大数据挖掘方法及装置 |
| CN108776806A (zh) * | 2018-05-08 | 2018-11-09 | 河海大学 | 基于变分自编码器和密度峰值的混合属性数据聚类方法 |
| CN109255384A (zh) * | 2018-09-12 | 2019-01-22 | 湖州市特种设备检测研究院 | 一种基于密度峰值聚类算法的交通流模式识别方法 |
| CN111582326A (zh) * | 2020-04-22 | 2020-08-25 | 长沙理工大学 | 一种密度峰值聚类算法的簇中心的选取方法以及设备 |
-
2020
- 2020-11-17 CN CN202011288655.5A patent/CN112328796B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110096236A (ko) * | 2010-02-22 | 2011-08-30 | 숭실대학교산학협력단 | 클러스터 간 상호정보를 이용한 클러스터링 장치 및 방법 |
| 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 |
| CN106649877A (zh) * | 2017-01-06 | 2017-05-10 | 广东工业大学 | 一种基于密度峰值的大数据挖掘方法及装置 |
| CN108776806A (zh) * | 2018-05-08 | 2018-11-09 | 河海大学 | 基于变分自编码器和密度峰值的混合属性数据聚类方法 |
| CN109255384A (zh) * | 2018-09-12 | 2019-01-22 | 湖州市特种设备检测研究院 | 一种基于密度峰值聚类算法的交通流模式识别方法 |
| CN111582326A (zh) * | 2020-04-22 | 2020-08-25 | 长沙理工大学 | 一种密度峰值聚类算法的簇中心的选取方法以及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112328796A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022134759A1 (zh) | 关键词生成方法、装置、电子设备及计算机存储介质 | |
| CN111460797B (zh) | 关键字抽取方法、装置、电子设备及可读存储介质 | |
| CN112541338A (zh) | 相似文本匹配方法、装置、电子设备及计算机存储介质 | |
| CN113157927B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
| CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN112820269A (zh) | 文本转语音方法、装置、电子设备及存储介质 | |
| WO2022194062A1 (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
| CN112559687A (zh) | 问题识别及查询方法、装置、电子设备及存储介质 | |
| CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
| CN116578704A (zh) | 文本情感分类方法、装置、设备及计算机可读介质 | |
| CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN113157739B (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
| CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
| CN113869456A (zh) | 采样监测方法、装置、电子设备及存储介质 | |
| CN116720525A (zh) | 基于问诊数据的疾病辅助分析方法、装置、设备及介质 | |
| CN116680580A (zh) | 基于多模态训练的信息匹配方法、装置、电子设备及介质 | |
| CN112328796B (zh) | 文本聚类方法、装置、设备及计算机可读存储介质 | |
| CN116578696A (zh) | 文本摘要生成方法、装置、设备及存储介质 | |
| CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
| CN113850643A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
| CN113626605A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
| CN112434157A (zh) | 文书多标签分类方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |