[发明专利]基于交互式文档聚类的信息检索方法及系统

权利要求书

1.一种基于交互式文档聚类的信息检索方法，其步骤包括：

1）按时间段对存储的文档集进行水平划分和预处理；

2）对预处理后的文档进行词频统计，并将高频词组成特证词集合；

3）根据所述特证词集合生成文档的向量空间表示，进而计算文档间的距离并生成相似度矩阵；

4）根据所述相似度矩阵生成拉普拉斯矩阵，并计算其特征值和特征向量；

5）根据特征值间隔确定聚类数及表示矩阵，并对所述聚类数及表示矩阵进行二次聚类；

6）用户对所述二次聚类的结果进行交互操作，使用卡方统计量挖掘新的特证词并添加至所述特证词集合，然后重复所述步骤3）至所述步骤5）；

7）将聚类结果展示给用户，供用户进行选择并获得不同类别的检索结果。

2.如权利要求1所述的方法，其特征在于，所述文档的存储方式包括：数据库、XML文件、普通文件夹。

3.如权利要求1所述的方法，其特征在于，根据产生文档的频度确定所述水平划分的时间间隔。

4.如权利要求1所述的方法，其特征在于，所述预处理包括：分词、词性标注、去停用词、标签提取。

5.如权利要求1所述的方法，其特征在于，采用精确方法或近似方法计算所述相似度。

6.如权利要求1所述的方法，其特征在于，采用K-Means方法进行所述二次聚类。

7.如权利要求1所述的方法，其特征在于，所述交互操作包括合并聚类簇操作和分裂聚类簇操作。

8.如权利要求1所述的方法，其特征在于，将聚类结果展示给用户时，将水平分割的文档集在时间维度上进行有条件的合并。

9.一种基于交互式文档聚类的信息检索系统，其特征在于，包括：

文档存储模块，用于存储文档集并保存运算结果；

文档集水平划分模块，负责按时间段对所述文档集进行水平划分；

文档预处理模块，负责对文档进行预处理；

词频统计模块，负责对水平划分和预处理后的文档进行词频统计；

文档向量空间表示模块，连接所述词频统计模块，负责将文档向量化并生成文档的向量空间表示；

文档间距计算模块，连接所述文档向量空间表示模块，用于计算文档间的距离并判断文档间的相似度；

聚类计算模块，连接所述文档间距计算模块，用于根据谱聚类计算方法对文档进行聚类；

用户交互模块，供用户进行交互操作，对聚类结果进行标注；

用户标注信息提取模块，连接所述用户交互模块，用于通过计算卡方统计量从用户标注信息中挖掘新的特征词，并将新的特征词输入至所述文档向量空间表示模块；

信息检索模块，连接所述聚类计算模块和所述用户交互模块，用于根据聚类结果进行信息检索并将检索结果展现给用户。

10.如权利要求9所述的系统，其特征在于：所述文档存储模块连接所述文档集水平划分模块，所述文档集水平划分模块连接所述文档预处理模块；或者所述文档存储模块连接所述文档预处理模块连接，所述文档预处理模块连接所述文档集水平划分模块。