[发明专利]基于聚类等级关系自动识别方法、系统、设备及存储介质

权利要求书

1.一种基于聚类的词间等级关系自动识别方法，应用于电子设备，其特征在于，所述自动识别方法，包括：

S1、选定文档作为同现窗口，获取文档中的每个词，采用DICE测度对每个词进行关联度计算，并根据同现窗口的大小调整DICE测度的计算结果；

S2、根据各词自身在文档中的频率、各词之间的同现频率以及调整因子来计算各词之间的同现权重，从而得到各个词间的关联度；

S3、从中选取一个词T，根据词T与其他词的同现权重，抽取与词T最相关的K个词，并构造特征向量；

S4、对各词通过层次聚类算法进行聚类，将各词单独划分为一簇，计算各个簇之间的语义相似度；设定阈值，将语义相似度小于阈值的簇进行合并，直至所有的词合并为一个大簇；

S5、将簇内的词根据等级系数划到各等级中，并识别其上下位关系。

2.如权利要求1所述的方法，其特征在于，所述的各词之间的同现权重，其计算公式为：

其中，W(T_i,T_j)表示词T_i和T_j的同现权重，tf(T_iT_j)表示词T_i和T_j在文档中的同现频率，tf(T_i)表示词T_i在文档中的频率，WeightingFactor(T_i,T_j)为调整因子。

3.如权利要求2所述的方法，其特征在于，所述的调整因子，其计算公式为：

min(length(d_i))表示词T_i和T_j同现文档中的最小长度，表示同现文档的平均长度，k为同现文档篇数。

4.如权利要求1所述的方法，其特征在于，所述的特征向量，其计算公式为：

V(T)＝(T₁,W₁,T₂,W₂,…,T_k,W_k)

其中，T₁，T₂，…,T_k表示与词T相关的词,W₁，W₂,…,W_k分别为词T与T₁，T₂，…,T_k的同现权重。

5.如权利要求4所述的方法，其特征在于，所述的语义相似度，其计算公式为：

其中，Sim(T₁,T₂)表示词T₁和T₂的语义相似度，W_1i表示词T₁的特征向量第i维的值，W_2i表示词T₂的特征向量第i维的值，k表示特征向量的维数，n表示特征向量中相同词的个数。

6.如权利要求1所述的方法，其特征在于，所述的等级系数，其计算公式为：

H(T_i)是词T_i的等级系数，tf(T_i)表示词T_i的词频，len(T_i)表示词长。

7.如权利要求1所述的方法，其特征在于，所述的层次聚类算法，包括：单连通、全连通以及平均连通。

8.如权利要求7所述的方法，其特征在于，所述的层次聚类算法优选为平均连通。

9.如权利要求8所述的方法，其特征在于，所述的阈值优选为0.1。

10.如权利要求1所述的方法，其特征在于，所述的识别簇内的词上下位关系，其算法流程为：

步骤1：确定等级数，将簇内的词按等级系数归入到各词级中；等级系数高的词位于高词级中，最高词级为L₀，其余依次为L₁，L₂,…,L_i；

步骤2：在相邻词级间产生上下位关系；取词级L_i中的一个词T，计算词T与词级L_i-1中的每个词的相似度，取相似度最大的词作为词T的上位词；继续从词级L_i中取词，直至为L_i中所有的词建立上下位关系；检查词级L_i-1中的词，将没有下位词的词移至词级L_i；

步骤3：判断是否到达底层，是则结束，否则继续执行步骤2的操作。