[发明专利]基于网络流和分层知识库的动态文本聚类方法

权利要求书

1.一种基于网络流和分层知识库的动态文本聚类方法，其特征在于：首先，提文本取动态特征向量：用词频/反转文档频率公式TF·IDF和归一化的方法提取文章的特征，包括从文本中提取关键词和计算权重，并建立类别特征向量和文本特征向量；然后把文档样本和类别映射成网络流图，把类别归并的方法变成网络流的最大费用流的问题，并进行类别归并；在计算的过程中，通过定义5层词典结构的词群距离来计算文本和类别特征向量的相似度；然后进行类别合并，对新加入的文档，根据TF、IDF公式计算新加入的文本特征和类别文本特征，调整类别的关键词和权重，不断地剔除掉那些权重小于一定阈值的关键字，保留语义合并后权重最高的特征，并作为该类新的表示向量，进而建立新的类别。

2.根据权利要求1所述的动态文本聚类方法，其特征在于所述提取文本动态特征向量步骤如下：针对单篇分词后的文章，使用TF·IDF公式提取文章特征，并进一步归一化处理：

TF · IDF ( W i ) = TF · log 2 ( N / DF i ) Σ j = 1 t TF · log 2 ( N / DF j ) - - - ( 1 ) ]]>

得到类别特征向量如下：

C → i = ∪ j = 1 L c { ( W j , f ( W j ) } - - - ( 2 ) ]]>

文本特征向量如下表示：

D → i = ∪ j = 1 L { ( W j , TF · IDF ( W j ) } - - - ( 3 ) ]]>

并用图论算法中距离来度量文本特征向量和类别特征向量的相似度；其中，Wj为文档中的单词，N为文档集中文档的数量，TF为一个词在一篇文档中的频率，DF_i为文档集中包含单词i的文档数，L为一篇文档的向量维度，Lc为文档类别的向量維度，f(Wj)为关键词权重。