[发明专利]一种中文文档集的主题可视化方法

说明书

技术领域

本发明涉及文本可视化和主题分析领域，具体来讲是一种中文文档集的主题可视化方法。

背景技术

大型文档集合，如新闻、科技文献、网页和电子刊物、公告等，蕴含了大量信息。随着信息数字化的发展和普及，文档集合的规模日益扩大，快速阅读和理解浩如烟海的信息，并从中提炼出有用的知识，已成为人们亟待解决的问题。

“主题”通常包括一个核心事件或活动,以及所有与之直接相关的事件和活动。主题检测方法采用聚类、分类、检索、主题追踪等技术，根据主题将文档集进行层次式归类和组织，方便用户对其进行检索、选择和浏览。然而，将文档进行归类后，用户仍需耗费大量时间阅读该主题下的所有文档，以了解主题的主要内容、发掘潜在知识和获取所需的信息。

多文档自动摘要技术在主题检测的基础上，对主题内容进行汇总，去除冗余信息后，生成全面、简洁的文本。因而极大地提高了信息获取效率。但现有的多文档摘要结果通常比较复杂，用户难以理解，且难以对摘要生成过程进行控制，缺乏友好的用户接口和人机交互操作。此外，多文档自动摘要技术往往忽略了文本内容外的其他属性，如时间、数量等，难以展现文档集中主题和主题内容随时间的演变特征，也无法反映同一文档集下各个主题之间的关系。

文本可视化作为信息可视化领域的一个重要分支，利用人类与生俱来的对图形的辨识、记忆及分析能力，将文本信息转化为图形图像，帮助人们直观、高效地理解、阅读和分析文本内容与结构，并通过相应的交互操作，帮助人们发掘有价值的知识和模式。

Word Cloud(文字云)可视化技术将文本内容抽象成一组词汇的集合，利用字体大小表示词汇的词频信息，然后将词汇按照一定规律紧凑、美观地排列起来，以表示文本特征。但文字云只能对单个文档进行可视化。对多个文档，Themerive（主题流）对文档集中的主题进行可视化，展示文档集中各主题强度随时间的变化趋势。最初的主题流只包含主题强度和时间信息，且主题顺序随机排列。之后，刘世霞等人提出改进的主题流TIARA，即在主题流中嵌入文字云，进一步对各主题内容进行可视化，有助于用户快速分析文本主题内容随时间的变化规律。

以上几种文本可视化技术均缺乏通用性，不适用于中文文档，在国内到目前为止，也尚缺乏对中文文档主题进行分析的可视化技术。此外，只针对英文文档主题可视化的TIARA技术也存在如下问题：1）主题流中文字云的形状、布局不稳定，容易使用户造成误解，影响主题分析效果；2）由于受区域限制，生成的文字云无法展示出各主题的全部关键内容。

发明内容

本发明的目的在于提供一种中文文档集的主题可视化方法，通过对中文文档集中提取出的各主题信息进行统计和处理，度量出主题的强度和内容的权重，然后以图形化的方式进行展示。

实现本发明目的的技术方案如下：一种中文文档集的主题可视化方法，包括按主题对文档集分类的步骤：设文档集有n个主题l_j,j=0，1，2，...，n-1，根据主题对文档集中的所有文档进行分类，得到n个文档子集D_j，j=0，1，2，...，n-1；其中，主题l_j对应的文档子集是D_j；

划分文档集时间段的步骤：设文档集开始时间为t_start，结束时间为t_end，对文档集时间段[t_start,t_end]进行等分，得到时间段T_p=（t_start+（p-1）Δt,t_start+pΔt]，其中，p=1,2,…,m-1，计算主题频次的步骤：设主题频次包括v_j,0和v_j,p，其中v_j,0为主题l_j对应的文档子集D_j在开始时间t_start的文档数量,v_j,p是主题l_j对应的文档子集D_j在时间段T_p内的文档的数量；分别计算每个主题的主题频次；

对主题进行排序的步骤：对所有主题排序，得到排序后的主题序列表；

生成主题流图的步骤：根据排序后的主题序列表和主题频次，采用主题流算法，生成主题流图；