[發明專利]一種基于信息瓶頸理論的文檔聚類方法

無效

• 申請號: 200910084841.4
• 申請日: 2009-05-25
• 公開（公告）號: CN101571868A
• 公開（公告）日: 2009-11-04
• 發明（設計）人: 劉永利;熊璋;任捷;歐陽元新
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京永創新實專利事務所
• 代理人: 周長琪

1、一種基于信息瓶頸理論的文檔聚類方法，其特征在于：該方法一方面利用信息瓶頸理論計算文檔之間的相似度d，另一方面利用增量式的聚類方法對文檔進行聚類獲得聚類結果C；在聚類過程中的處理步驟有：

步驟一，采用建簇方法對待聚類文檔T＝{t₁，t₂，t₃，……，t_m}中的全部文檔進行簇處理，從而獲得一個簇集合CT＝{ct₁，ct₂，ct₃，……，ct_m}；

第一文檔t₁的簇記為第一簇ct₁；

第二文檔t₂的簇記為第一簇ct₂；

第三文檔t₃的簇記為第一簇ct₃；

……；

第m文檔t_m的簇記為第一簇ct_m；

步驟二，將第二文檔t₂與簇集合CT進行最小共有信息損失的計算，如果最小共有信息損失滿足規定閾值ε＝α×aver，則將該第二文檔t₂合并到簇集合CT中相似度最高的哪個簇中，否則新建一個簇c_i來存放該第二文檔t₂；

步驟三，采用與步驟二相同的方式對第三文檔t₃、……、第m文檔t_m進行聚類處理，得到聚類結果C＝c₁，……，c_n，新建簇c_i屬于聚類結果C中；

步驟四，對聚類結果C采用序列聚類方法進行調整，得到最終的聚類結果C_final，該最終聚類結果C_final能夠將所有待聚類文檔T依據相似度d自動化分為若干個簇c_n，并保證簇內的相似度盡可能大，簇間的相似度盡可能小。