基于圖結構的中文文本聚類方法研究.pdf

1、隨著計算機技術的迅速發(fā)展和普及，電子信息日益增多，人們已經從信息資源匱乏的時代迅速過渡到信息極為豐富的數(shù)字化時代。面對海量的信息資源，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日益成為信息處理領域一個十分重要的研究課題。近年來，作為保證文本挖掘質量前提的文本表示方法的研究受到越來越多學者的重視。 在本研究中我們從文本表示方法入手，將圖論中的圖結構技術應用到文本挖掘中，提出了一種新的基于圖結構

2、的文本表示方法。與傳統(tǒng)的基于統(tǒng)計向量的文本表示方法相比，圖結構更有利于文本的結構信息的表示。在保留了文本特征項的同時，還可以描述特征項間的位置關系及關聯(lián)強弱。 研究內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)狀的基礎上提出了基于圖結構的中文文本表示模型。將文本特征項表示成圖結構節(jié)點，特征項間的共現(xiàn)關系描述為圖結構的邊，進而將文本映射為圖結構，有效的解決了文本表示過程中的信息流失問題。 其次是

3、相似度計算方法的引入。與圖結構的文本表示方法相對應，我們提出了一種適于此文本表示方法下的文本相似度計算方法——最大公共子圖算法。將相似度的計算分解成內容的相似度與結構的相似度，使得文本相似度度量考慮因素更加全面。假設兩個圖結構公共的部分越多，那么它們所對應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文本的相似程度。 再次是聚類算法的改進。提出了擴展的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