[发明专利]对文档进行聚类的方法和装置

权利要求书

1.一种对文档进行聚类的方法，其特征在于，包括：

步骤A、对所述文档分别进行矢量化，其中，每篇文档在矢量化后对应多维空间中的一个文档坐标；

步骤B、将多个所述文档坐标聚为两个簇并分别获取每个簇在所述多维空间中的几何中心；

步骤C、分别计算所述每个簇的平均半径，并在所述平均半径满足预设条件时，将所述两个簇中的所述文档坐标对应的文档聚为一个不可分裂的类，在所述平均半径不满足预设条件时，将所述两个簇分别对应为两个可分裂的类，其中，所述平均半径为所述簇中所有文档坐标到所述几何中心的距离的平均值；

步骤D、在所述每个可分裂的类中，再次执行所述步骤B和所述步骤C；以及

步骤E、当每篇文档都属于不可分裂的类时，终止聚类。

2.根据权利要求1所述的方法，其特征在于，步骤B包括：

步骤F、根据所述文档坐标的距离将多个所述文档坐标聚为两个簇中。

3.根据权利要求2所述的方法，其特征在于，步骤F包括：

步骤G、等概率选取两个所述文档坐标；

步骤H、分别计算每个未选取的所述文档坐标与选取的所述两个所述文档坐标的距离，并将未选取的所述文档坐标与距其距离短的选取的所述文档坐标聚为同一个簇。

4.根据权利要求2所述的方法，其特征在于，步骤F包括：

步骤G、随机选取一个所述文档坐标；

步骤H、将在选取的所述文档坐标预设距离内的多个所述文档坐标聚为一个簇，将不在选取的所述文档坐标预设距离内的多个所述文档坐标聚为一个簇。

5.根据权利要求1所述的方法，其特征在于，在步骤B与步骤C之间，还包括：

步骤I、将每个所述文档坐标与所述两个几何中心进行比较，并将其与所述两个几何中心中距其距离短的几何中心聚为一个新一代的簇；

步骤J、获取每个所述新一代的簇在所述多维空间中的几何中心，当相邻两代的簇的几何中心的距离差值不满足预设的阈值时，重复步骤J，当相邻两代的簇的几何中心的距离差值满足预设的阈值时，执行步骤C。

6.根据权利要求1所述的方法，其特征在于，所述预设条件包括：

两个簇的平均半径之和不小于两个所述几何中心之间的距离。

7.一种对文档进行聚类的装置，其特征在于，包括：

获取模块，用于对所述文档分别进行矢量化，其中，每篇文档在矢量化后对应多维空间中的一个文档坐标；

第一分类模块，用于将多个所述文档坐标聚为两个簇并分别获取每个簇在所述多维空间中的几何中心；

处理模块，用于分别计算所述每个簇的平均半径，并在所述平均半径满足预设条件时，将所述两个簇中的所述文档坐标对应的文档聚为一个不可分裂的类，在所述平均半径不满足预设条件时，将所述两个簇分别对应为两个可分裂的类，其中，所述平均半径为所述簇中所有文档坐标到所述几何中心的距离的平均值；

第一调用模块，用于在所述每个可分裂的类中，再次调用所述第一分类模块和所述处理模块对所述可分裂的类中的文档坐标进行操作；以及

终止模块，用于当每篇文档都属于不可分裂的类时，终止聚类。

8.根据权利要求7所述的装置，其特征在于，所述第一分类模块根据所述文档坐标的距离将多个所述文档坐标聚为两个簇中。

9.根据权利要求8所述的装置，其特征在于，所述第一分类模块包括：

选取子模块，用于等概率选取两个所述文档坐标；

分类子模块，用于分别计算每个未选取的所述文档坐标与选取的所述两个所述文档坐标的距离，并将未选取的所述文档坐标与距其距离短的选取的所述文档坐标聚为同一个簇。

10.根据权利要求8所述的装置，其特征在于，所述第一分类模块包括：

选取子模块，用于随机选取一个所述文档坐标；

分类子模块，用于将在选取的所述文档坐标预设距离内的多个所述文档坐标聚为一个簇，将不在选取的所述文档坐标预设距离内的多个所述文档坐标聚为一个簇。