[发明专利]基于维基百科的评论主题词聚类方法

权利要求书

1.基于维基百科的评论主题词聚类方法，其特征在于包括如下步骤：

步骤（1）词性标注，具体是：

A）采用中科院提供的ICTCLAS汉语分词系统对评论进行分词并标注其词性；

B）对词性标注后的评论进行预处理，删除不必要的内容，其中包括去除停用词、助词，数量词；

步骤（2）主题词提取，具体是：

C）根据“形容词+名词”，“名词+形容词”，“名词+副词+形容词”的模式来提取主题词；

D）根据“名词”，“名词+名词”，“名词+名词性语素”的模式来确认名词；

E）统计每个名词出现的频率，去掉一些低频的名词；

步骤（3）基于维基百科的词语相似度模型生成，具体是：

F）筛选维基百科的文章，滤去字符数少于300的文章；

G）对于筛选后的文章进行分词；

H）建立词典，其中包括去除停用词和低频词

I）建立词的空间向量模型；每个词的维数就是维基百科的文章篇数，每一维对应的值是该词对于该文章的TFIDF权重

步骤（4）词的相似度矩阵生成，具体是：

J）对于要聚类的主题词集合建立相似度矩阵；词与词之间的相似度则用词向量之间的余弦相似度表示；

步骤（5）k均值算法进行主题词的聚类，具体是：

K）采用机器学习中的k均值算法进行评论主题词的聚类；k-均值算法的准则函数基于余弦相似度。