[发明专利]利用统计分布对主题进行建模

权利要求书

1.一种根据主题的统计分布来指配标签以便搜索的方法，该方法包 括以下步骤：

访问存储在一个或更多个实体介质中的语料库，该语料库包括多个 文档，各个文档包括多个词；

选择各个文档中的一个或更多个词作为该文档的一个或更多个关键 词；

根据所述关键词对所述文档进行聚类，以得到多个群集，各个群集 对应于一个主题；

针对各个群集，根据所述各个群集的文档中的词的子集生成统计分 布，以得到多个统计分布，针对各个群集生成统计分布进一步包括以下 步骤：

确定指示所述各个群集的主题与其他群集的主题的共现的共

现值；以及

根据所述共现值生成共现分布；并且

在生成所述统计分布之后，

根据所述统计分布组织所述群集；

向所述组织群集中的文档指配所述组织群集的主题；以及

根据主题的重新指配来为所述语料库中的文档指配标签。

2.如权利要求1所述的方法，其中所述的选择各个文档中的一个或 更多个词的步骤进一步包括以下步骤：

根据排位技术对各个文档中的词进行排位；以及

选择一个或更多个高排位的词作为所述一个或更多个关键词。

3.如权利要求1所述的方法，其中所述的根据所述关键词对所述文 档进行聚类以得到多个群集的步骤进一步包括以下步骤：

去除一个或更多个不满足大小阈值的群集。

4.如权利要求1所述的方法，该方法进一步包括以下步骤：

识别具有相似统计分布的至少两个群集，其中，如果分布之间的差 别小于差别阈值，则确定统计分布为相似的；以及

合并所述至少两个群集。

5.一种根据主题的统计分布来指配标签以便搜索的系统，该系统包 括：

用于访问存储在一个或更多个实体介质中的语料库的装置，该语料 库包括多个文档，各个文档包括多个词；

用于选择各个文档中的一个或更多个词作为该文档的一个或更多个 关键词的装置；

用于根据所述关键词对所述文档进行聚类以得到多个群集的装置， 各个群集对应于一个主题；

用于针对各个群集根据所述各个群集的文档中的词的子集生成统计 分布以得到多个统计分布的装置，针对各个群集生成统计分布进一步包 括：

确定指示所述各个群集的主题与其他群集的主题的共现的共

现值；以及

根据所述共现值生成共现分布；以及

用于在生成所述统计分布之后根据所述统计分布组织所述群集、向 所述组织群集中的文档指配所述组织群集的主题；并根据主题的重新指 配来为所述语料库中的文档指配标签的装置。