[发明专利]对海量文档库的文档分类的方法

权利要求书

1.一种对海量文档库的文档分类的方法，其特征在于，包括：

确定文档库中所有文档的各个关键词、以及每个关键词与其所归属的各个文档的对应关系；

将所述各个关键词逐个在术语库中匹配，将每个关键词匹配的术语的行业类别属性，作为该关键词在其对应的每个文档所归属的行业类别属性；

根据所述对应关系，确定每个文档包含相同的最多的行业类别属性；

将归属最多的行业类别属性作为每个文档的分类。

2.根据权利要求1所述的方法，其特征在于，对每个所述文档进行分词处理，去除停用词、无具体意义的词，得到所述各个关键词。

3.根据权利要求1所述的方法，其特征在于，还包括：

确定每个关键词在其所对应的每个文档出现的多个位置信息；其中，所述位置信息的数量等于该关键词在其所对应的每个文档的词频。

4.根据权利要求3所述的方法，其特征在于，所述匹配过程包括：

如果所述匹配到术语的词长L=1，则确定匹配成功。

5.根据权利要求4所述的方法，其特征在于，所述匹配过程还包括：

如果所述匹配到术语的词长L＞1，则逐个遍历所述当前关键词对应的每个文档中的位置信息；

在遍历到当前文档的各个位置信息后，依次在该文档中提取每个位置信息后的L-1个关键词；

将每次提取的L-1个关键词，与所述匹配到的词长L大于1的术语的后L-1个词语进行对应匹配。

6.根据权利要求5所述的方法，其特征在于，确定每个关键词在其对应的每个文档中所归属的行业类别属性；

如果提取的L-1个关键词，与所述匹配到的词长L大于1的术语进行匹配成功，则将该术语的行业类别属性作为所述当前关键词在其对应的所述当前文档中所归属的行业类别属性。

7.根据权利要求4所述的方法，其特征在于，采用二分法，将当前关键词在所述术语库中查找。