基于表層文本信息的科技文獻集多主題劃分方法的研究.pdf

1、科技文獻是人們獲得科技信息的重要來源之一，通過對科技文獻進行有效的處理，可以揭示文獻內(nèi)部潛在的信息和知識，進而使人們可以快速、高效地獲取文獻信息?？萍嘉墨I的自動分類是信息檢索和數(shù)據(jù)挖掘領(lǐng)域的一個重要研究內(nèi)容，已成為當(dāng)今文獻信息處理方法的研究熱點。對科技文獻進行自動分類和評價需要深入分析文獻的信息特征，同時要把機器學(xué)習(xí)、自然語言處理等多種方法合理運用到文獻分析領(lǐng)域，并研究其有效的實現(xiàn)方法?；谖墨I的概括性短篇幅文本信息（如標(biāo)題、摘要、關(guān)鍵

2、詞等）實現(xiàn)對文獻集的自動分類是具有較高使用價值的研究課題。
　　概括性短篇幅文本信息特征詞稀少，難以體現(xiàn)文獻之間的相關(guān)性，且因交叉學(xué)科和多類別科技文獻的存在，通過一般方法對科技文獻進行硬性的劃分歸類顯然是不科學(xué)的。為此，本學(xué)位論文分析了科技文獻特有的行文特點，根據(jù)表現(xiàn)文獻的概括性特征的表層文本信息，采用多標(biāo)記聚類方法對文獻集進行了多主題自動分類，按照不同的主題把同一個文獻劃分到不同類別，從而可從多角度體現(xiàn)文獻主題，有利于表現(xiàn)文獻的

3、多學(xué)科特征，并給出了基于自動劃分的文獻集豐富性評價方法。
　　首先，通過詞頻選擇特征詞，利用向量空間模型(VSM)表示文檔集，并針對傳統(tǒng)文本信息處理存在的問題，引入潛在語義分析模型，通過基于奇異值分解(SVD)的語義降維方法對所建立的特征詞-文檔關(guān)聯(lián)矩陣進行分解降維，獲得了文獻集的低維潛在語義空間表示，揭示出文獻之間的語義關(guān)系。
　　其次，基于改進的K-means算法，對文獻集進行了聚類處理，同時通過文獻聚類粒度的自適應(yīng)確定