[发明专利]基于主题挖掘的事件团获取方法

权利要求书

1.一种基于主题挖掘的事件团获取方法，其特征在于，包括以下步骤：

S1：收集文本数据集C；

S2：对所述文本数据集C进行预处理，去除所述文本数据集中没有实际意义的词语；

S3：设定主题数n和参数，运行CTM,得到CTM模型；

S4：在所述CTM模型表示主题与主题之间的关联程度的协方差矩阵Σ中，利用回溯算法找出所有的最大团，为主题团；

S5：将每个所述主题团所包含的每一个主题均在所述文本数据集C内选定一篇对应程度最高的文本，将所述对应程度最高的文本所对应的事件聚集形成事件团。

2.根据权利要求1所述的基于主题挖掘的事件团获取方法，其特征在于，所述步骤S1进一步包括：从主流网站中抓取文本信息，形成所述文本数据集C。

3.根据权利要求1所述的基于主题挖掘的事件团获取方法，其特征在于，所述对所述文本数据集C进行预处理进一步包括：

对于所述文本数据集C中的每一篇文本D_i进行停用词处理，

如果所述文本D_i为英文文本，对所述文本进行词根化处理。

4.根据权利要求1所述的基于主题挖掘的事件团获取方法，其特征在于，所述步骤S3进一步包括：

S301：对于不同的所述文本数据集C设定不同的主题数n和阈值θ；

S302：调整模型参数最大运行次数、EM算法收敛条件和变量收敛条件；

S303：运行所述CTM，得到一个收敛的所述CTM模型。

5.根据权利要求4所述的基于主题挖掘的事件团获取方法，其特征在于，所述步骤S4进一步包括：

S401：初始化集合P，X，R，其中X，R为空集，P为所有主题的集合；

S402：每次从所述集合P中取出一个主题z_i，当所述集合P中没有顶点时，

如果所述集合X为空集，则所述集合R是所述最大团，记录所述集合R并从主题的集合中删除，再次重复回溯算法，直至所有主题都被删除，

如果没有找到所述最大团，进行回溯，进入步骤S4031；

S4031：对于每一个从集合P中取得的主题z_i'，如果所述主题z_i'与每一个主题z_j之间的协方差Σ_ij大于所述阈值θ，则将所述主题z_i'加到所述集合X中，并从所述集合P中将所述主题z_i'删除，其中i和j均为自然数；

S4032：如果所述集合X中的元素个数大于集合R中的元素个数，则所述集合X相对于所述集合R为优选的最大团，则R:＝X；

S4033：循环步骤S4031至S4032，直到找到最大团集合R或所述集合P中没有顶点；

S4034：将所述主题z_i加到所述集合P中，并从所述集合X中将所述主题z_i删除；

S4035：如果所述集合X中的元素个数大于所述集合R中的元素个数，则所述集合X相对于所述集合R为优选的最大团，记为R:＝X；

S4036：进行下一轮循环，返回步骤S4031；

S404：如果找到最大团集合R时，将所述最大团记录下来，即为主题团，并从主题的集合中删除，返回步骤S401，直至所有主题都被删除。

6.根据权利要求5所述的基于主题挖掘的事件团获取方法，其特征在于，所述步骤S5进一步包括：

S501：对于所有所述主题z_i，从所有文本D_j中选出主题分布p(z＝z_i|D_j)最高的一篇，将主题分布p(z＝z_i|D_j)最高的一篇D_j赋给所述主题z_i；

S502：对于每一个主题团，将其中所包含的每一个所述主题z_i所赋的所述文本D_j所对应的事件聚集在一起，形成所述事件团。