[發明專利]基于聚類等級關系自動識別方法、系統、設備及存儲介質

在審

• 申請號: 202011138197.7
• 申請日: 2020-10-22
• 公開（公告）號: CN112307204A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 張凱;劉杰;周建設;趙晴
• 申請（專利權）人: 首都師范大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36;G06F40/247
• 代理公司: 北京清控智云知識產權代理事務所(特殊普通合伙) 11919
• 代理人: 管士濤

1.一種基于聚類的詞間等級關系自動識別方法，應用于電子設備，其特征在于，所述自動識別方法，包括：

S1、選定文檔作為同現窗口，獲取文檔中的每個詞，采用DICE測度對每個詞進行關聯度計算，并根據同現窗口的大小調整DICE測度的計算結果；

S2、根據各詞自身在文檔中的頻率、各詞之間的同現頻率以及調整因子來計算各詞之間的同現權重，從而得到各個詞間的關聯度；

S3、從中選取一個詞T，根據詞T與其他詞的同現權重，抽取與詞T最相關的K個詞，并構造特征向量；

S4、對各詞通過層次聚類算法進行聚類，將各詞單獨劃分為一簇，計算各個簇之間的語義相似度；設定閾值，將語義相似度小于閾值的簇進行合并，直至所有的詞合并為一個大簇；

S5、將簇內的詞根據等級系數劃到各等級中，并識別其上下位關系。

2.如權利要求1所述的方法，其特征在于，所述的各詞之間的同現權重，其計算公式為：

其中，W(T_i,T_j)表示詞T_i和T_j的同現權重，tf(T_iT_j)表示詞T_i和T_j在文檔中的同現頻率，tf(T_i)表示詞T_i在文檔中的頻率，WeightingFactor(T_i,T_j)為調整因子。

3.如權利要求2所述的方法，其特征在于，所述的調整因子，其計算公式為：

min(length(d_i))表示詞T_i和T_j同現文檔中的最小長度，表示同現文檔的平均長度，k為同現文檔篇數。

4.如權利要求1所述的方法，其特征在于，所述的特征向量，其計算公式為：

V(T)＝(T₁,W₁,T₂,W₂,…,T_k,W_k)

其中，T₁，T₂，…,T_k表示與詞T相關的詞,W₁，W₂,…,W_k分別為詞T與T₁，T₂，…,T_k的同現權重。

5.如權利要求4所述的方法，其特征在于，所述的語義相似度，其計算公式為：

其中，Sim(T₁,T₂)表示詞T₁和T₂的語義相似度，W_1i表示詞T₁的特征向量第i維的值，W_2i表示詞T₂的特征向量第i維的值，k表示特征向量的維數，n表示特征向量中相同詞的個數。

6.如權利要求1所述的方法，其特征在于，所述的等級系數，其計算公式為：

H(T_i)是詞T_i的等級系數，tf(T_i)表示詞T_i的詞頻，len(T_i)表示詞長。

7.如權利要求1所述的方法，其特征在于，所述的層次聚類算法，包括：單連通、全連通以及平均連通。

8.如權利要求7所述的方法，其特征在于，所述的層次聚類算法優選為平均連通。

9.如權利要求8所述的方法，其特征在于，所述的閾值優選為0.1。

10.如權利要求1所述的方法，其特征在于，所述的識別簇內的詞上下位關系，其算法流程為：

步驟1：確定等級數，將簇內的詞按等級系數歸入到各詞級中；等級系數高的詞位于高詞級中，最高詞級為L₀，其余依次為L₁，L₂,…,L_i；

步驟2：在相鄰詞級間產生上下位關系；取詞級L_i中的一個詞T，計算詞T與詞級L_i-1中的每個詞的相似度，取相似度最大的詞作為詞T的上位詞；繼續從詞級L_i中取詞，直至為L_i中所有的詞建立上下位關系；檢查詞級L_i-1中的詞，將沒有下位詞的詞移至詞級L_i；

步驟3：判斷是否到達底層，是則結束，否則繼續執行步驟2的操作。