[发明专利]对多个稿件进行聚类的方法和设备

权利要求书

1.一种对多个稿件进行聚类的方法，包括：

根据新闻分类法的分类建立稿件分类空间，其中，所述稿件分类空间是指以所述新闻分类法所划分的类别作为维度建立的空间；

提取每个稿件中的关键词；

将提取的关键词归属至根据新闻分类法的每个分类，计算该分类中的所有关键词在稿件中出现的频率和，并将该频率和作为稿件在该分类所对应的稿件分类空间的维度上的值以建立稿件坐标，从而将每个稿件映射为稿件分类空间中的点；

计算所述多个稿件中的第一稿件所映射的点在稿件分类空间中分别与其他稿件所映射的点之间的距离，确定所计算出的距离中是否存在小于预定的第一距离阈值的值；以及

如果存在，则将小于所述第一距离阈值的值所对应的稿件确定为和所述第一稿件属于相同的第一类。

2.如权利要求1所述的方法，其中，提取每个稿件中的关键词的步骤包括：

计算词条在稿件中出现的频率，并将高于频率阈值的词条作为候选关键词；以及

从候选关键词中去掉不相关的词条，从而获得关键词。

3.如权利要求2所述的方法，其中，从候选关键词中去掉不相关的词条，从而获得关键词的步骤包括：

判断候选关键词是否存在于预设的不相关词库；以及

如果是，则将该候选关键词去掉；如果否，则将该候选关键词作为关键词。

4.如权利要求1所述的方法，其中，根据新闻分类法的分类建立稿件分类空间的步骤包括：

将新闻分类法的每个分类作为稿件分类空间的维度。

5.如权利要求1所述的方法，其中，所述第一稿件是根据稿件形成的时间确定的，或者随机选择的，或者通过工作人员选择的。

6.如权利要求5所述的方法，还包括：

确定所述多个稿件中是否存在未被确定为第一类的多个稿件，如果存在，则从中选择第二稿件，并计算第二稿件所映射的点在稿件分类空间中与其他未被确定为第一类的稿件所映射的点之间的距离；

确定所计算出的距离中是否存在小于预定的第二距离阈值的值；以及

如果存在，则将小于所述第二距离阈值的值所对应的稿件确定为和所述第二稿件属于相同的第二类。

7.一种对多个稿件进行聚类的设备，包括：

建立模块，被配置以根据新闻分类法的分类建立稿件分类空间，其中，所述稿件分类空间是指以所述新闻分类法所划分的类别作为维度建立的空间；

提取模块，被配置以提取每个稿件中的关键词；

映射模块，被配置以将提取的关键词归属至根据新闻分类法的每个分类，计算该分类中的所有关键词在稿件中出现的频率和，并将该频率和作为稿件在该分类所对应的稿件分类空间的维度上的值以建立稿件坐标，从而将每个稿件映射为稿件分类空间中的点；

计算模块，被配置以计算所述多个稿件中的第一稿件所映射的点在稿件分类空间中分别与其他稿件所映射的点之间的距离，确定所计算出的距离中是否存在小于预定的第一距离阈值的值；以及

聚类模块，被配置以将小于所述第一距离阈值的值所对应的稿件确定为和所述第一稿件属于相同的第一类。

8.如权利要求7所述的设备，所述提取模块包括：

统计部件，被配置以统计词条在稿件中出现的频率，并将高于频率阈值的词条作为候选关键词；以及

删除部件，被配置以从候选关键词中删除不相关的词条，从而获得关键词。

9.如权利要求7所述的设备，所述映射模块包括：

归属部件，被配置以将提取的关键词归属至根据新闻分类法的分类，

求和部件，被配置以计算该分类中的所有关键词在稿件中出现的频率和，并将该频率和作为稿件在该分类所对应的稿件分类空间的维度上的值。