[发明专利]一种基于演化聚类的评论文本分类提取方法

权利要求书

1.一种基于演化聚类的评论文本分类提取方法，其特征在于，该方法包括以下步骤：

步骤S1：采集评论样本，对评论内容进行分词，并去除停用词，即数据的预处理；

步骤S2：对文本特征进行处理，除去关联性低或不相关的特征项，采用χ²统计法对评论文本进行处理，χ²统计法的公式为：

其中，A表示包含特征α并且属于类别β的文档数量，B表示包含特征α但是不属于文档类别β的文档数量，C表示不包含特征α但是属于文档类别β的文档数量，D表示既不属于α也不包含特征β的文档数量，N表示语料中文档的总数目；

步骤S3：将步骤S2得出的文本特征项根据文本情感向量空间模型，赋予不同权重，以解决数据的稀疏性问题；

步骤S4：利用k-medoids演化聚类算法，对步骤S3中已经赋予情感倾向权重的文本特征进行聚类，获取各个时间段的聚类中心；

步骤S5：对各个时间段的聚类结果进行统计，得出评论文本的情感倾向与趋势。

2.根据权利要求1所述的一种基于演化聚类的评论文本分类提取方法，其特征在于，所述步骤S3具体包括：

步骤S31：选出特征词之后，根据权重计算公式赋予不同的特征词以不同的权重；

步骤S32：利用PMI-IR情感计算方法计算评论文本的情感倾向，结合计算出来的特征词及其权重，构建向量空间，并对统计出的情感倾向对评论文本进行正向、中性和负向的类别分类。

3.根据权利要求1所述的一种基于演化聚类的评论文本分类提取方法，其特征在于，所述步骤S4具体包括：

步骤S41：输入样本集由人工输入K值，每个固定t的时间段都具有相同的簇数目K，X_t-1中的簇中心为

步骤S42：从X_t个评论文本数据中，随机抽取K个样本作为初始簇中心；

步骤S43：根据选取公式，重新选取t的簇中心，选取公式为：

其中，表示t时段的样本数据集，n表示样本数量，同样的，X_t-1表示t-1时段的样本数据集，如果用K_t表示t时段的簇数目，则为t时段的簇质心，C_t,k为t时段第k个簇的样本数据集；同样的，表示t-1时段的簇质心，C_t-1,k表示t-1时段第k'个簇的样本数据集，K_t-1表示t-1时段簇的个数；

步骤S44：循环迭代，直至收敛，最终得出各个时间段的簇中心关键语段。