[發明專利]多語言文檔聚類

有效

• 申請號: 201380047819.7
• 申請日: 2013-07-11
• 公開（公告）號: CN104620241B
• 公開（公告）日: 2018-12-07
• 發明（設計）人: 基里爾·布里亞克
• 申請（專利權）人: 谷歌有限責任公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06F17/28;G06F17/40
• 代理公司: 北京市柳沈律師事務所 11105
• 代理人: 邵亞麗

一種技術，能夠包括：識別待聚類的文檔集。所述文檔集能夠包括外語文檔和基礎語言文檔。在基礎語言翻譯模塊處能夠將外語文檔翻譯成基礎語言。在文檔索引模塊處能夠確定基礎語言文檔中的關鍵字和經翻譯的外語文檔中的關鍵字。基于基礎語言文檔中的確定的關鍵字和經翻譯的外語文檔中的確定的關鍵字，能夠將基礎語言文檔與外語文檔聚類在文檔聚類的公共集合中。響應于第一語言的搜索查詢，能夠提供搜索結果的列表，其包括公共文檔聚類中的第一語言的文檔和另一語言的文檔。

相關申請的交叉引用

本申請要求于2012年7月16日提交的美國實用專利申請第13/549,624號的優先權。以上申請的公開內容通過引用被整體合并到本文中。

背景技術

文檔聚類(document clusters)可以用于增強搜索查詢。可以基于共同特征來聚類文檔集。聚類中的文檔可以是一種語言的。例如，因為關鍵字被用于形成文檔聚類，所以文檔可能是針對一種語言來聚類。當用戶輸入搜索查詢時，提供的結果將僅與一種語言的一組文檔有關。因此，響應于搜索查詢，與搜索有關的、但是不同語言的文檔將不會被提供給用戶。

發明內容

在本公開內容的多個實施方式中，技術能夠包括在計算裝置中的文檔收集模塊處確定待聚類的文檔集。文檔集能夠包括外語文檔和基礎語言文檔。在計算裝置中的基礎語言翻譯模塊處，外語文檔能夠被機器翻譯成基礎語言。在計算裝置中的文檔索引模塊處能夠確定基礎語言文檔中的關鍵字和經翻譯的外語文檔中的關鍵字。在文檔索引模塊處，與語言無關的關鍵字索引能夠被分配給每個確定的關鍵字。在計算裝置中的聚類模塊處，基于與語言無關的關鍵字索引，能夠將基礎語言文檔與外語文檔聚類在文檔聚類的公共集合中。文檔聚類的集合能夠包括基礎語言文檔和外語文檔兩者，并且文檔聚類的集合能夠被存儲在數據庫中。

在本公開內容的多個實施方式中，技術能夠包括在計算裝置中的文檔收集模塊處識別待聚類的文檔集。文檔集能夠包括外語文檔和基礎語言文檔。在計算裝置中的基礎語言翻譯模塊處，外語文檔能夠被翻譯成基礎語言。在計算裝置中的文檔索引模塊處能夠確定基礎語言文檔中的關鍵字和經翻譯的外語文檔中的關鍵字。在計算裝置中的聚類模塊處，基于基礎語言文檔中的確定的關鍵字和經翻譯的外語文檔中的確定的關鍵字，能夠將基礎語言文檔與外語文檔聚類在文檔聚類的公共集合中。文檔聚類的集合能夠包括基礎語言文檔和外語文檔兩者，并且文檔聚類的集合能夠被存儲在數據庫中。

技術還能夠包括：在計算裝置中的重復文檔確定模塊處確定文檔聚類之一中的第一語言的第一文檔何時對應于所述文檔聚類之一中的不同于第一語言的第二語言的第二文檔的翻譯，并且當第一文檔對應于第二文檔的翻譯時在計算裝置處提供指示。確定第一文檔何時對應于第二文檔的翻譯包括確定所述文檔聚類之一中的文檔之間的距離，并且當第一文檔和第二文檔之間的距離在預定閾值以內時提供指示。第一文檔和第二文檔之間的距離能夠對應于第一文檔和第二文檔之間的相似水平。

將外語文檔翻譯成基礎語言能夠包括將外語文檔機器翻譯成基礎語言。可替選地，將外語文檔翻譯成基礎語言能夠包括將外語文檔發送至翻譯引擎，以及從翻譯引擎接收外語文檔的基礎語言翻譯。技術還能夠包括將與語言無關的關鍵字索引應用于關鍵字。與語言無關的關鍵字索引能夠包括數字關鍵字索引。在將與語言無關的關鍵字索引應用于關鍵字之后能夠進行聚類，并且能夠基于與語言無關的關鍵字索引將外語文檔和基礎語言文檔分組到文檔聚類的集合中。

識別待聚類的文檔集能夠包括訪問包括電子商務產品數據庫的封閉系統中的產品數據庫。每個文檔聚類能夠包括基礎語言和至少一種外語的產品數據庫中相關產品的產品信息。技術還能夠包括臨時存儲經翻譯的外語文檔，以及在確定經翻譯的外語文檔中的關鍵字之后刪除經翻譯的外語文檔。