[发明专利]一种事件跟踪方法及系统

权利要求书

1.一种事件跟踪方法，包括：

步骤1)、获取与事件相关的文档；

步骤2)、根据所获取的文档数量确定所述事件的阶段个数；

步骤3)、根据内容的相似程度对所获取的文档进行聚类，得到与所述事件的每个阶段对应的文档簇，其中文档簇的总数与所述事件的阶段个数相同；对于每个文档簇，去除发布时间与该文档簇的平均发布时间的差值超过预定阈值的文档，之后再选择该文档簇的代表文档；其中，文档簇的平均发布时间为该文档簇中所有文档的发布时间的平均值；

在步骤2)中，根据下式来确定事件的阶段个数：

其中，n表示事件的阶段个数，t是所获取的与事件相关的文档的总数，m是预先设定的一个正整数，p是预先设定的将要显示给用户的事件阶段数量；

在步骤3)中，选择文档簇的代表文档的方法包括下列子步骤：

步骤a)、在每个文档簇中，按照发布时间从新到旧排列文档，选择前k个文档，其中，k为预先设定的正整数；

步骤b)、在每个文档簇中，在所选择的k个文档中选取权威度最高的文档作为代表文档，其中，根据下式计算每个文档簇中的每个文档的权威度：

Authority＝λ*DomainWeight+log(References)

其中，Authority表示文档的权威度，DomainWeight是该文档的URL所属域名的权重，λ是该文档的URL和References的得分占比，References是该文档被其他文档转载的次数。

2.根据权利要求1所述的方法，其中m为20。

3.根据权利要求1-2中任何一个所述的方法，在步骤3)中，使用后缀树聚类方法根据内容的相似程度对所获取的文档进行聚类。

4.根据权利要求1所述的方法，其中，步骤b)之后还包括：

步骤c)、按照每个文档簇的代表文档的发布时间依次输出p个代表文档，其中，p是预先设定的将要显示给用户的事件阶段数量。

5.根据权利要求1-2中任何一个所述的方法，其中，步骤1)包括：

检索舆情信息系统中的内部资源或者外部网络资源，得到与事件相关的文档。

6.根据权利要求1-2中任何一个所述的方法，其中，步骤1)还包括：

去除所获取的文档中的无效字符、标签以及停用词。

7.根据权利要求1-2中任何一个所述的方法，其中，所述文档的内容包括文档标题或者文档正文。

8.一种事件跟踪系统，包括：

检索设备，用于获取与事件相关的文档；

阶段计算设备，用于根据所获取的文档数量确定所述事件的阶段个数；其中，根据下式来确定事件的阶段个数：

其中，n表示事件的阶段个数，t是所获取的与事件相关的文档的总数，m是预先设定的一个正整数，p是预先设定的将要显示给用户的事件阶段数量；以及

聚类设备，用于根据内容的相似程度对所获取的文档进行聚类，得到与所述事件的每个阶段对应的文档簇，其中文档簇的总数与所述事件的阶段个数相同；对于每个文档簇，去除发布时间与该文档簇的平均发布时间的差值超过预定阈值的文档，之后再选择该文档簇的代表文档；其中，文档簇的平均发布时间为该文档簇中所有文档的发布时间的平均值；其中，选择文档簇的代表文档的方法包括：

步骤a)、在每个文档簇中，按照发布时间从新到旧排列文档，选择前k个文档，其中，k为预先设定的正整数；

步骤b)、在每个文档簇中，在所选择的k个文档中选取权威度最高的文档作为代表文档，其中，根据下式计算每个文档簇中的每个文档的权威度：

Authority＝λ*DomainWeight+log(References)

其中，Authority表示文档的权威度，DomainWeight是该文档的URL所属域名的权重，λ是该文档的URL和References的得分占比，References是该文档被其他文档转载的次数。