[發明專利]聚類方法和系統

有效

• 申請號: 200910211714.6
• 申請日: 2009-11-10
• 公開（公告）號: CN102053992A
• 公開（公告）日: 2011-05-11
• 發明（設計）人: 張濤;郭家清
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 逯長明;王寶筠

1.一種聚類方法，其特征在于，該方法包括：

對多個可讀取文件進行向量化，得到多個可讀取文件對應的多個文件向量；

根據所述多個文件向量提取所述多個可讀取文件的總特征向量；

根據所述總特征向量和各個文件向量之間相似度的排序結果，對所述多個可讀取文件進行聚類。

2.根據權利要求1所述的方法，其特征在于，所述根據所述多個文件向量提取所述多個可讀取文件的總特征向量，具體包括：

將所述多個文件向量對應特征的特征值分別相加求和，得到所述總特征向量相應的特征值。

3.根據權利要求1所述的方法，其特征在于，所述根據所述特征向量和各個向量之間相似度的排序結果，對所述多個可讀取文件進行聚類，具體包括：

分別計算所述多個文件向量與總特征向量的第一相似度；

按照所述第一相似度對所述多個文件向量進行第一次排序；

分別計算所述多個文件向量與第一次排序后的最后一個文件向量的第二相似度；

在第一次排序的基礎上，再按照第二相似度對所述第一次排序后的文件向量進行第二次排序；

按照第二次排序之后的文件向量對所述多個可讀取文件進行聚類。

4.根據權利要求3所述的方法，其特征在于，所述按照第二次排序之后的文件向量對所述多個可讀取文件進行聚類，具體包括：

從第二次排序之后的第二個文件向量開始，逐次與當前文件向量的上一個文件向量進行比較；

當比較結果滿足聚類條件時，則將所述當前文件向量和其上一個文件向量聚為一類；

當比較結果不滿足聚類條件時，則生成新的類。

5.根據權利要求3所述的方法，其特征在于，所述計算相似度的方式采用向量余弦夾角公式進行計算。

6.根據權利要求1所述的方法，其特征在于，所述根據所述總特征向量和各個文件向量之間相似度的排序結果，對所述多個可讀取文件進行聚類之后，還包括：

根據所述可讀取文件的聚類結果，獲取每一類的代表向量；

構造滿足預置條件的新特征向量；

分別計算所述代表向量與新特征向量的第三相似度；

按照所述第三相似度對所述可讀取文件的各個類進行第一次排序；

分別計算所述每一類的代表向量與第一次排序后的最后一個類的代表向量的第四相似度；

在第一次排序的基礎上，再按照第四相似度對所述第一次排序后的代表向量進行第二次排序；

按照第二次排序之后的代表向量對所述多個可讀取文件的類重新進行聚類。

7.根據權利要求6所述的方法，其特征在于，所述按照第二次排序之后的代表向量對所述多個可讀取文件的類重新進行聚類之后，還包括：

判斷是否滿足迭代結束條件，如果是，則結束流程，如果否，則重新執行所述根據所述可讀取文件的聚類結果，獲取每一類的代表向量的步驟。

8.一種聚類系統，其特征在于，該系統包括：

向量化單元，用于對多個可讀取文件進行向量化，得到多個可讀取文件對應的多個文件向量；

提取單元，根據所述多個文件向量提取所述多個可讀取文件的總特征向量；

聚類單元，根據所述總特征向量和各個文件向量之間相似度的排序結果，對所述多個可讀取文件進行聚類。

9.根據權利要求8所述的系統，其特征在于，所述提取單元具體用于將所述多個文件向量共同的特征的特征值依次相加求和，得到所述總特征向量相應的特征值。

10.根據權利要求8所述的系統，其特征在于，所述第一聚類單元具體包括：

第一計算單元，用于分別計算所述多個文件向量與總特征向量的第一相似度；

第一排序單元，用于按照所述第一相似度對所述多個文件向量進行第一次排序；

第二計算單元，用于分別計算所述多個文件向量與第一次排序后的最后一個文件向量的第二相似度；

第二排序單元，用于在第一次排序的基礎上，再按照第二相似度對所述第一次排序后的文件向量進行第二次排序；

第二聚類單元，用于按照第二次排序之后的文件向量對所述多個可讀取文件進行聚類。