[发明专利]多语言文档聚类

说明书

一种技术，能够包括：识别待聚类的文档集。所述文档集能够包括外语文档和基础语言文档。在基础语言翻译模块处能够将外语文档翻译成基础语言。在文档索引模块处能够确定基础语言文档中的关键字和经翻译的外语文档中的关键字。基于基础语言文档中的确定的关键字和经翻译的外语文档中的确定的关键字，能够将基础语言文档与外语文档聚类在文档聚类的公共集合中。响应于第一语言的搜索查询，能够提供搜索结果的列表，其包括公共文档聚类中的第一语言的文档和另一语言的文档。

相关申请的交叉引用

本申请要求于2012年7月16日提交的美国实用专利申请第13/549,624号的优先权。以上申请的公开内容通过引用被整体合并到本文中。

背景技术

文档聚类(document clusters)可以用于增强搜索查询。可以基于共同特征来聚类文档集。聚类中的文档可以是一种语言的。例如，因为关键字被用于形成文档聚类，所以文档可能是针对一种语言来聚类。当用户输入搜索查询时，提供的结果将仅与一种语言的一组文档有关。因此，响应于搜索查询，与搜索有关的、但是不同语言的文档将不会被提供给用户。

发明内容

在本公开内容的多个实施方式中，技术能够包括在计算装置中的文档收集模块处确定待聚类的文档集。文档集能够包括外语文档和基础语言文档。在计算装置中的基础语言翻译模块处，外语文档能够被机器翻译成基础语言。在计算装置中的文档索引模块处能够确定基础语言文档中的关键字和经翻译的外语文档中的关键字。在文档索引模块处，与语言无关的关键字索引能够被分配给每个确定的关键字。在计算装置中的聚类模块处，基于与语言无关的关键字索引，能够将基础语言文档与外语文档聚类在文档聚类的公共集合中。文档聚类的集合能够包括基础语言文档和外语文档两者，并且文档聚类的集合能够被存储在数据库中。

在本公开内容的多个实施方式中，技术能够包括在计算装置中的文档收集模块处识别待聚类的文档集。文档集能够包括外语文档和基础语言文档。在计算装置中的基础语言翻译模块处，外语文档能够被翻译成基础语言。在计算装置中的文档索引模块处能够确定基础语言文档中的关键字和经翻译的外语文档中的关键字。在计算装置中的聚类模块处，基于基础语言文档中的确定的关键字和经翻译的外语文档中的确定的关键字，能够将基础语言文档与外语文档聚类在文档聚类的公共集合中。文档聚类的集合能够包括基础语言文档和外语文档两者，并且文档聚类的集合能够被存储在数据库中。

技术还能够包括：在计算装置中的重复文档确定模块处确定文档聚类之一中的第一语言的第一文档何时对应于所述文档聚类之一中的不同于第一语言的第二语言的第二文档的翻译，并且当第一文档对应于第二文档的翻译时在计算装置处提供指示。确定第一文档何时对应于第二文档的翻译包括确定所述文档聚类之一中的文档之间的距离，并且当第一文档和第二文档之间的距离在预定阈值以内时提供指示。第一文档和第二文档之间的距离能够对应于第一文档和第二文档之间的相似水平。

将外语文档翻译成基础语言能够包括将外语文档机器翻译成基础语言。可替选地，将外语文档翻译成基础语言能够包括将外语文档发送至翻译引擎，以及从翻译引擎接收外语文档的基础语言翻译。技术还能够包括将与语言无关的关键字索引应用于关键字。与语言无关的关键字索引能够包括数字关键字索引。在将与语言无关的关键字索引应用于关键字之后能够进行聚类，并且能够基于与语言无关的关键字索引将外语文档和基础语言文档分组到文档聚类的集合中。

识别待聚类的文档集能够包括访问包括电子商务产品数据库的封闭系统中的产品数据库。每个文档聚类能够包括基础语言和至少一种外语的产品数据库中相关产品的产品信息。技术还能够包括临时存储经翻译的外语文档，以及在确定经翻译的外语文档中的关键字之后删除经翻译的外语文档。