[发明专利]文档聚类系统和方法

说明书

技术领域

本发明涉及一种文档聚类系统和方法，其能够确定文档之间的相似度并 基于确定的相似度对相似文档进行聚类。

背景技术

近年来，文档检索系统已经得到广泛使用，其能够处理大量的文档信息， 提取对应于用户需要的信息，并且将所提取的信息提供给用户。

即，文档检索或者信息检索是指从大量文档和信息中搜索用户期望的文 档或者信息。为了检索文档或信息，对自然语言文本来执行关键词处理，为 每个关键词分配权值，然后进行检索和排序。

现有技术的文档检索系统接收用户的查询(query)，并将普通系统提取 出的普通结果输出给用户。这里，一般检索系统仅基于从用户接收的查询范 围(area)来搜索文档，因此难以为用户提供针对其喜好和特点而定制的信 息。

而且，由于现有技术的检索系统仅搜索关于用户输入的查询的信息，所 以这样会建立错误的检索范围。由于这个原因，用户期望的信息和检索结果 出现明显的差异，从而导致检索结果的精确度和可靠性下降。

另外，当从用户接收查询时，现有技术的文档检索系统依赖于提供信息 的网站所使用的检索系统来执行操作。因此，被检索信息的精确度降低，并 且难以实时提供信息。然而，对于应当在生成时尽快检索到或者应当在生成 后长时间过去之前检索到的文档(例如专利文档)而言，需要一种针对用户 定制的文档访问方法和检索方法。

发明内容

因此，本发明提供一种文档聚类系统和方法，其用于本质上消除由于现 有技术的限制和缺点而产生的一个或多个问题。

本发明的目的旨在提供一种文档聚类系统和方法，其能够为用户提供被 检索文档之间的相互关系和相似度。

本发明的额外的优点、目的和特征将再下面的说明书中部分地提出，并 且对本领域技术人员来讲，在接下来的详查之后，本发明的部分的额外优点、 目的和特征将变得清楚，或者可以从本发明的实践中学习。本发明的目的和 其他优点可以通过在所编写的说明书及其权利要求以及附图中特别指出的 结构来实现和获得。

为了实现这些目的和其他优点并且依据本发明的目的，如其中所实施的 并广泛描述的，提供了一种文档聚类系统，包括：文档数据库，用于存储文 档；文档特征编写单元，用于提取在所述文档数据库中存储的文档的属性信 息，并且基于所述属性信息编写关于各文档的索引；文档检索单元，利用所 述索引来检索包含用户输入的查询的文档；聚类处理单元，包括用于计算检 索到的文档的特征向量和代表向量的代表向量计算器，以及使用所述特征向 量和所述代表向量计算文档之间相似度的相似度计算器；以及聚类数据库， 存储由聚类处理单元聚类的文档。

在本发明的另一目的中，提供了一种文档聚类方法，包括：从存储在文 档数据库中的每个文档中提取关键词，开且利用所提取的关键词编写单元索 引；利用所编写的文档索引选择用于组成每个文档的代表关键词；利用所述 代表关键词确定所述文档的特征向量；确定特征向量中的代表向量，以对检 索到的文档进行聚类处理；利用所述代表向量和所述特征向量进行计算，来 确定检索到文档的相似度；以及根据所述相似度对所述文档进行聚类。

应该理解的是，本发明前面的一般描述和下面的详细描述是可实施的和 说明性的，并且旨在提供本发明的进一步解释。

附图说明

所包含的附图提供了对本发明的进一步理解并且被合并于本申请和构 成了本申请的一部分，本发明所示出实施例与说明书一起用于解释本发明的 原理。在附图中：

图1是示出根据本发明实施例的文档聚类系统的框图；

图2是示出每个文档的属性信息的示意图；

图3是文档检索结果的用户界面；

图4是示出基于所选文档的关键词出现频率的索引文件的示意图；

图5是示出关于每个文档计算出的特征向量的示意图；和

图6是对新文档进行自动聚类处理的方法的流程图。

具体实施方式

现在将详细参考本发明优选实施例，其实例在附图中示出。

现在将参考附图详细描述根据本发明实施例的文档聚类系统和方法。

图1是用于描述根据本发明实施例的文档聚类系统的框图。