[发明专利]一种用于大数据的数据挖掘方法和装置

权利要求书

1.一种用于大数据的数据挖掘方法，其特征在于，包括如下步骤：

步骤101：对文本数据库内容当中的每一条语句进行分词；

步骤102：对步骤101所述分词后的字、词及词组是否属于实体进行识别；

步骤103：对步骤101所述分词后的字、词及词组进行语义标注分析；

步骤104：对文本数据库内容进行句法分析；

步骤105：根据句法分析结果生成完整结构化数据库；

步骤106：将完整结构化数据库分割为不同的子数据库；

步骤107：根据具体的挖掘目标，选择相应的子数据库、子数据库的组合或者完整结构化数据库进行挖掘分析；

在步骤105中，

生成语句结构固定的完整结构化数据库，并在生成完整结构化数据库时，保存每个语句的分类标记，同时对分类标记进行统计；

在步骤106中，

根据语句分类标记的统计结果或者常用的挖掘目标，将完整结构化数据库分割为不同的子数据库，并赋予子数据库以索引，其索引以语句分类标记或挖掘目标为主，分割子数据库时，使标记相似的语句放入同一个子数据库中，不同的子数据库之间相似度尽量小，其中：

计算语句之间相似度的公式为：

其中，sim()为相似度计算函数，d1，d2为语句，α为分类标记的粒度，且分类标记仅分为1个粒度，设定其α为1，L(d1)为结构化数据库中的d1语句的分类标记个数，其值与L(d2)相等，L(d1∩d2)为语句d1和语句d2中的相同的分类标记的数目，n1和n2为可调节系数，其值大于0；

计算语句与子数据库之间相似度的计算公式为：

其中，D为子数据库，L(d1∩D)为语句d1的分类标记中的包含于子数据库D中的索引的数目，n3和n4为可调节系数，其值大于0；

子数据库之间的相似度计算公式为：

其中，L(D1)为子数据库D1中的索引的数目，L(D1∩D2)为子数据库D1和D2相同的索引的数目，n5和n6为可调节系数，其值大于0。

2.根据权利要求1所述的方法，其特征在于,在步骤103中，

语义标注之后对实体识别后的词进行统计和分类，并用分类标记该语句。

3.一种用于大数据的数据挖掘装置，其特征在于，包括：

分词模块，用于对文本数据库内容当中的每一条语句进行分词；

字词实体识别模块，用于分词后的字、词及词组是否属于实体进行识别；

语义标注模块，用于对分词后的字、词及词组进行语义标注分析；

句法分析模块，用于对文本数据库内容进行句法分析；

数据库生成模块，用于根据句法分析结果生成完整结构化数据库；

数据库分割模块，用于将完整结构化数据库分割为不同的子数据库；

数据挖掘模块，用于根据具体的挖掘目标，选择相应的子数据库、子数据库的组合或者完整结构化数据库进行挖掘分析；

数据库生成模块，用于生成语句结构固定的完整结构化数据库，并在生成完整结构化数据库时，保存每个语句的分类标记，同时对分类标记进行统计；

其中，数据库分割模块，用于根据语句分类标记的统计结果或者常用的挖掘目标，将完整结构化数据库分割为不同的子数据库，并赋予子数据库以索引，其索引以语句分类标记或挖掘目标为主，分割子数据库时，使标记相似的语句放入同一个子数据库中，不同的子数据库之间相似度尽量小，其中：

计算语句之间相似度的公式为：

其中，sim()为相似度计算函数，d1，d2为语句，α为分类标记的粒度，且分类标记仅分为1个粒度，设定其α为1，L(d1)为结构化数据库中的d1语句的分类标记个数，其值与L(d2)相等，L(d1∩d2)为语句d1和语句d2中的相同的分类标记的数目，n1和n2为可调节系数，其值大于0；

计算语句与子数据库之间相似度的计算公式为：

其中，D为子数据库，L(d1∩D)为语句d1的分类标记中的包含于子数据库D中的索引的数目，n3和n4为可调节系数，其值大于0；

子数据库之间的相似度计算公式为：

其中，L(D1)为子数据库D1中的索引的数目，L(D1∩D2)为子数据库D1和D2相同的索引的数目，n5和n6为可调节系数，其值大于0。

4.根据权利要求3所述的装置，其特征在于：

语义标住模块，用于在语义标注之后对实体识别后的词进行统计和分类，并用分类标记该语句。