[发明专利]一种融合多种语言文献的聚类机制

说明书

技术领域

本发明涉及信息检索技术领域，特别涉及一种融合多种语言文献的聚类机制。

背景技术

接触互联网的用户时常会在搜索引擎上查找自身关注的内容。类似于搜索引擎这类信息检索系统，通常是针对大批量数据进行过滤检索，并且要求处理时间足够快，以提供给用户及时的响应，避免用户的等待。

信息检索系统中的聚类技术为检索时以足够快的速度为用户提供充分的信息提供了保障。聚类是指对信息检索系统中的信息进行类别划分，它是对信息检索系统的一种有效改进策略，能提供给用户较为齐全的信息。在信息检索中应用聚类技术能使用户在检索信息的过程中快速定位到自己感兴趣的内容。相较未引用聚类技术的信息检索系统，使用聚类技术能起到降低用户等待时间的作用，有若分类更加清晰的特点。

发明内容

本发明解决的技术问题设计一种聚类机制，使得其能融合多种语言文献。

本发明解决上述技术问题的技术方案是:

按如下步骤进行:

步骤1，建立包含多种语言词汇的近义词库;

步骤2，提取8种特征值;

步骤3，根据特征值，计算任意两篇文献i和j的相似度;

步骤4，在文献集合中选择聚点，建立聚类;

步骤5，将文献集合中剩余的文献加入到聚类之中;

步骤6，将聚类置于圆环结构之中。

步骤1中，在词库的每一行中，都记录着意思相同或相近的多种语言词汇，并标记该词汇是动词还是名词。

所述的步骤2中特征值包括引用关系(f₁)、相同参考文献(f₂)、相同字符串(f₃)、近义字符串(f₄)、相同名词(f₅)、近义名词(f₆)、相同动词(f₇)、近义动词(f₈)这八个特征值;这些特征值并不限定于某一种特定的语言，可将多种语言文献融合到聚类分类之中;其中引用文献指在文献中列出的所参考文献，相同字符串指一段组成单词完全相同的字符串，近义字符串指一段组成单词相同或者是近义词库中记载的近义词的字符串，相同名词指完全相同的名词，近义名词指近义词库中记载在同一行的名词，相同动词指完全相同的动词，近义动词指义词库中记载在同一行的动词;对于某一篇文献i，其特征向量F(i)即为:

F(i)=(f₁(i)，f₂(i)，f₃(i)，f₄(i)，f₅(i)，f₆(i)，f₇(i)，f₈(i))。

步骤3中，八个特征值的重要性为f₁＞f₂＞f₃＞f₄＞f₅＞f₆＞f₇＞f₈;

任意两篇文献i和j的在特征值上的乘积运算:

引用文献的乘积f₁(i)f₁(j)，定义W为i和j中的其中一篇文献被另一篇文献所引用的权值;bool为是否存在引用关系。bool的取值为0或者1，为0表示不存在引用关系，为1表示存在引用关系。计算表达式为:

f₁(i)f₁(j)＝bool×W

相同参考文献的乘积f₂(i)f₂(j)，定义d为权重除法因子并且d≥1；Refs指示参考文献的数目，则Max{Refs(i)，Refs(j)}指在i和j中选择参考文献数目的最大值;CommonRefs(i，j)指i和j这两篇文献中相同的参考文献数目;计算表达式为: