基于聚類的文本機會發(fā)現關鍵問題研究.pdf

1、現實世界中的一個事件序列可能包括原因、結果和一些值得注意的事件。通常，最根本的原因是隱藏的，或在重要事件中是未知的。傳統的信息處理方法通常是通過對頻繁出現事件的分析實現未來可能性的預測。但是，在這些信息中除頻繁事件之外，還包含著一些極少出現而又具有重要作用的事件，這些事件對未來同樣具有重要的影響作用，而傳統方法卻無法發(fā)現這些重要事件。機會發(fā)現為實現獲取觀測結果中稀少的、重要事件提供了切實可行的理論和方法。
　　 文本是目前一種重

2、要的信息承載方式。本文以文檔數據為研究對象，基于聚類技術對文本機會發(fā)現的若干關鍵問題進行研究。
　　 本文通過對機會發(fā)現現有理論和技術方法的研究，首先提出了文本機會的定義，并進一步建立了基于聚類的文本機會發(fā)現過程模型。明確了文本機會發(fā)現過程是一個在人的經驗指導下的計算機自動進行聚類的人機交互的雙螺旋過程。
　　 其次，分析了現有的經典機會發(fā)現算法KeyGraph的優(yōu)缺點，針對KeyGraph算法計算復雜的缺點，提出了一種

3、多遍掃描KeyGraph執(zhí)行模型，提出利用矩陣分解實現KeyGraph的具體計算，對KeyGraph的計算方法改進。有效地提高了算法的執(zhí)行效率，減少計算數據量，并降低了時間空間復雜度。
　　 第三，文本數量的急劇增加使得現有機會發(fā)現算法難以快速、有效地實現機會的提取。為解決此問題，本文在現有研究基礎上，通過對目前典型機會發(fā)現算法的預處理過程以及算法自身的細致分析，首先提出了既能降低算法復雜性，又能夠保留數據語義信息的文本機會發(fā)現

4、預處理算法，實現了事件的一致化描述；其次，提出基于進化免疫網絡的文本機會發(fā)現算法，利用進化免疫網絡壓縮數據規(guī)模的優(yōu)點，解決了大規(guī)模文本數據機會發(fā)現所帶來的問題。該提取算法與預處理算法增加了機會事件提取的準確性和有效性，有效地提高了算法的執(zhí)行效率，降低了系統的存儲開銷。
　　 最后，提出了一個基于免疫的多agent文本機會發(fā)現系統框架，并基于動態(tài)免疫網絡建立了系統的響應模型。
　　 本文以科技文獻應用為背景，發(fā)現樣本數據集