基于改進(jìn)的模糊C均值聚類(lèi)算法的多文檔自動(dòng)文摘.pdf

1、隨著互聯(lián)網(wǎng)在世界范圍內(nèi)的迅猛發(fā)展，網(wǎng)絡(luò)上的信息日益增加。人們迫切需要一種方法來(lái)從這些海量信息中快速獲取有用信息、排除冗余信息，并將這些信息有機(jī)的結(jié)合到一起。多文檔自動(dòng)文摘的研究目標(biāo)正是力求解決這一問(wèn)題，它將同一主題文檔集合中重復(fù)出現(xiàn)的信息以一次出現(xiàn)在文摘中，其他與主題相關(guān)的信息根據(jù)重要性和壓縮比依次進(jìn)行抽取。本文基于子主題的思想將同一主題文檔集合中的句子按照相似性重新組合，得到代表各個(gè)側(cè)面信息的子主題。對(duì)子主題進(jìn)行文摘句的抽取以及排序生

2、成多文檔文摘。
　　句子相似度計(jì)算在多文檔文摘領(lǐng)域有著非常重要的地位，其準(zhǔn)確性將直接影響子主題的確定以及文摘的生成。本文分別介紹了基于詞權(quán)重、基于潛在語(yǔ)義分析、基于語(yǔ)義距離以及基于語(yǔ)義依存的句子相似度計(jì)算方法，最終采用一種多特征融合方法結(jié)合詞權(quán)重特征、語(yǔ)義距離特征以及語(yǔ)義依存特征計(jì)算句子間的相似程度。從而使句子的描述更加全面，相似度計(jì)算結(jié)果更加準(zhǔn)確。
　　考慮到中文語(yǔ)句具有的歧義性，本文提出一種改進(jìn)的模糊C均值聚類(lèi)算法確定多

3、文檔集合的子主題。為了減小初值選取不當(dāng)對(duì)模糊C均值算法產(chǎn)生的影響，該方法結(jié)合訓(xùn)練閾值的層次聚類(lèi)算法以及樣本密度算法投票生成初始聚類(lèi)中心，初始化模糊C均值算法的原型矩陣以及劃分矩陣，進(jìn)而聚類(lèi)生成多文檔文摘的子主題。
　　將子主題按照重要性進(jìn)行排序，通過(guò)文摘句的動(dòng)態(tài)抽取生成文摘句集合。最后采用文檔框架與文摘句位置參數(shù)相結(jié)合的文摘句排序算法生成了多文檔文摘。實(shí)驗(yàn)結(jié)果表明，采用改進(jìn)的模糊C均值聚類(lèi)算法得到的子主題聚類(lèi)效果要優(yōu)于現(xiàn)有的幾種應(yīng)