(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111619737.8 (22)申请日 2021.12.28 (65)同一申请的已公布的文献号 申请公布号 CN 114328922 A (43)申请公布日 2022.04.12 (73)专利权人 盐城工学院 地址 224000 江苏省盐城市 盐南高新区新 河街道办事处新怡社区新园路20号1 幢401室 专利权人 盐城工学院技 术转移中心有限公 司 (72)发明人 徐森　陈明权　徐秀芳　花小朋　 皋军　安晶　王江峰　嵇宏伟　 姜陈雨　陆湘文　(74)专利代理 机构 北京冠和权律师事务所 11399 专利代理师 田春龙 (51)Int.Cl. G06F 16/35(2019.01) G06K 9/62(2022.01) G06F 40/242(2020.01) G06F 40/289(2020.01) (56)对比文件 CN 112464638 A,2021.0 3.09 CN 113282756 A,2021.08.20 CN 113159233 A,2021.07.23 CN 112347246 A,2021.02.09 CN 113095348 A,2021.07.09 CN 106951498 A,2017.07.14 审查员 卢素斋 (54)发明名称 一种基于谱图理论的选择性文本聚类集成 方法 (57)摘要 本发明公开了一种基于谱图理论的选择性 文本聚类集成方法， 将文本数据集采用K均值算 法生成聚类成员； 采用谱聚类算法从生成的聚类 成员中选 择出代表性成员； 采用层次聚类方法对 选择出的代表 性成员进行集 成； 将集成后的代表 性成员构成本文聚类结果。 解决了谱聚类方法直 接应用于高维、 稀疏、 海量的文本数据集上时导 致的计算量大的问题， 因此， 采用本方案显著降 低文本聚类的计算时间， 有效提高了文本聚类的 准确性。 另外， 本实施例使用K均值算法作为基聚 类器随机选取初始质心， 算法复杂度低， 提升算 法的鲁棒 性。 权利要求书3页 说明书10页 附图8页 CN 114328922 B 2022.08.02 CN 114328922 B 1.一种基于谱图理论的选择性文本聚类集成方法， 其特 征在于， 包括： S100， 将文本数据集采用K均值 算法生成聚类成员； S200， 采用谱聚类算法从生成的聚类成员中选择 出代表性成员； S300， 采用层次聚类方法对选择 出的代表性成员进行集成； S400， 将集成后的代 表性成员构成本文聚类结果； 所述S300包括： S301， 将选择出的每一个代表性成员 归为一类， 基于每一类之间的距离确定类与类之 间的相似度； S302， 基于层次聚类方法确定的类与类之间的相似度对类进行合并， 形成新的类的集 合； S303， 再次计算新的类的结合中类与类之间的相似度， 并基于相似度对类进行再次合 并； S304， 重复步骤S3 03， 直至满足 终止条件时， 停止类的合并； S305， 将满足 终止条件时的类的合并结果作为代 表性成员的集成结果； 所述S100包括： S110， 从文本数据集中任意选择若干个文本向量作为初始聚类中心； S111， 对于文本数据集中每个文本向量， 计算每个文本向量与所有初始聚类中心之间 的余弦相似度； S112， 将所述 余弦相似度值从最高到最低排序； S113， 将文本向量分配给 具有最高相似度的簇中； S114， 在满足限制条件的情况下， 将文本向量按照顺序分配给相似高的合格簇； 所述限 制条件包括： 最大可分配簇和相似度比值界限； 所述最大可分配簇使每个样本点同时分配 给的簇的数量不大于第一预设值； 所述相似度比值界限是当某个文本向量与簇中心的距离 大于离簇中心距离最小的文本向量于簇中心的距离乘以第二预设值； 所述第二预设值小于 1； S115， 根据分配给 各簇的文本 重新计算若干各簇中心； S116， 重复步骤S1 11至S115， 直至算法收敛。 2.根据权利要求1所述的基于谱图理论的选择性文本聚类集成方法， 其特征在于， 所述 S200包括： S201， 计算 生成的聚类成员之间的相似度； S202， 根据计算出的相似度， 使用谱聚类算法对所述聚类成员进行聚类处理， 获得 聚类 结果； 所述聚类结果包括若干个聚类成员集 合； S203， 在所述聚类结果中， 确定每个聚类成员集合中与其他聚类成员之间的归一化互 信息值之差的绝对值之和最小的聚类成员； S204， 该确定出的聚类成员作为代 表性成员。 3.根据权利要求2所述的基于谱图理论的选择性文本聚类集成方法， 其特征在于， 所述 S202包括： S2021， 确定要选出代 表性成员的数量r0； S2022， 根据计算出的聚类成员之间的相似度构造邻接矩阵， 把邻接矩阵的每一列元素权　利　要　求　书 1/3 页 2 CN 114328922 B 2放加起来得到N个数， 将每一列元素放在 对角线上组成一个N*N阶的对角矩阵， 称为度 矩阵， 基于所述邻接矩阵和度矩阵形成拉普拉斯矩阵； S2023， 计算出拉普拉斯矩阵的前r0个特征值及对应的特 征向量； S2024， 将r0个特征向量中的列排列在一起形成N*r0阶矩阵， 采用K ‑means算法对形成的 N*r0阶矩阵进行聚类处 理。 4.根据权利要求1所述的基于谱图理论的选择性文本聚类集成方法， 其特征在于， 所述 S100包括： S101， 设置每个聚类中聚类成员个数r和聚类个数k； 所述聚类个数k设置为真实类别 数； S102， 设置控制参数i的初始值 为1； S103， 判断所述控制参数i的值是否小于或等于聚类成员个数r； 若是， 则执行步骤 S104， 若否则执 行步骤S107； S104， 随机生成k个均值向量， 作为K均值算法的初始质心， 使用K均值算法对文本数据 集进行划分； S105， 根据划分结果得到聚类结果 S106， 将所述控制参数i的值加1， 执 行步骤S10 3； S107， 构建聚类成员的集 合P′＝{P(1),P(2),…,P(r)}。 5.根据权利要求1所述的基于谱图理论的选择性文本聚类集成方法， 其特征在于， 所述 S100之前包括： S500， 将所有 文本进行分词处 理， 以及无效词筛除处 理， 形成文本的有效分词特 征； S600， 将所有 文本进行词义 提取， 获得词义特 征； S700， 计算所述分词特征与相应的词义特征之间的匹配关系， 将所述分词特征和词义 特征以及两者之间的匹配关系构建为文本特 征， 将所述文本特 征形成文本数据集。 6.根据权利要求4所述的基于谱图理论的选择性文本聚类集成方法， 其特征在于， 所述 S104中使用K均值 算法对文本数据集进行划分包括： S1041， 计算所述文本数据集中每 个文本与k个初始质心之间的余弦距离； S1042， 基于所述 余弦距离， 将每一个文本划分入余弦距离最近的簇类中； S1043， 重新计算每个簇类的质心以获得新的k个聚类质心； 重 复基于余弦距离， 将每一 个簇类划分入余弦距离最近的类中， 直至k个聚类质心不再改变为止， 停止划分， 形成对文 本数据集进行划分结果。 7.根据权利要求6所述的基于谱图理论的选择性文本聚类集成方法， 其特征在于， 所述 S1043中重新计算每 个簇类的质心以获得新的k个聚类质心， 包括： S1043‑1， 设定目标函数， 所述目标函数标识簇类内余弦相似度和， 以及设定目标函数 中极大值 点为中心的聚类质心； S1043‑2， 基于欧式距离与 余弦相似度计算的函数转换关系， 将目标函数的余弦相似度 计算转换为欧式距离计算； S1043‑3， 对转换后的目标函数确定极小值 点； S1043‑4， 根据极小值 点的计算过程， 确定极值 点， 所述极值 点即为新的聚类质心。权　利　要　求　书 2/3 页 3 CN 114328922 B 3