[发明专利]基于海量新闻数据的快速热点检测方法及系统有效
申请号: | 201810044908.0 | 申请日: | 2018-01-17 |
公开(公告)号: | CN108304502B | 公开(公告)日: | 2020-10-02 |
发明(设计)人: | 曾大军;郑晓龙;何赛克;张曈 | 申请(专利权)人: | 中国科学院自动化研究所 |
主分类号: | G06F16/9535 | 分类号: | G06F16/9535;G06K9/62 |
代理公司: | 北京市恒有知识产权代理事务所(普通合伙) 11576 | 代理人: | 郭文浩 |
地址: | 100190 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 海量 新闻 数据 快速 热点 检测 方法 系统 | ||
本发明涉及一种基于海量新闻数据的快速热点检测方法及系统,所述快速热点检测方法包括:对多个待处理新闻文本进行链式聚类,得到粗聚类集合;基于快速搜索和寻找密度峰值方法,对所述粗聚类集合进行搜索,得到细聚类集合;提取所述细聚类集合中的代表性短语,所述代表性短语为热点词语。本发明可直接对多个待处理新闻文本进行链式聚类,得到粗聚类集合;进一步基于快速搜索和寻找密度峰值方法,进行聚类,从而得到细聚类集合,并从中提取代表性短语,从而可快速捕捉到新闻文本中的热点词语,可提高计算效率和准确性。
技术领域
本发明涉及自然语言处理和数据挖掘领域,具体涉及一种基于海量新闻数据的快速热点检测方法及系统。
背景技术
随着互联网的迅猛发展与广泛普及,现如今互联网的新闻报道已成为人们获取信息的主要手段。许多商业网站都会第一时间为用户收集并提供丰富的新闻报道。然而每天发布的新闻数量非常庞大,信息量呈指数增长,针对同一话题也有很多类似的报导,而用户的精力十分有限,不可能通过阅读所有的新闻获取需要的信息。因此,如何提高信息获取效率,快速准确的获取新闻关键信息,筛选掉冗杂重复信息,是一个亟待解决的问题。
在检测新闻热点话题,需要从新闻报道中获取代表性短语。然而直接基于海量新闻数据提取代表性短语,计算复杂度极高。此外,互联网上的数据存在大量重复的内容,无论对于搜索引擎的网页,还是新闻门户网站、社交媒体等,都需要对文本进行去重和过滤。
针对上述问题,对于新闻热点检测,需要把海量新闻数据进行聚类,把同类型的新闻数据汇聚到一起,再进行新闻热点的代表性短语提取。热点检测算法中重要的一步就是文本聚类。
传统基于文本相似性的计算方法主要利用空间向量模型,计算分词后的文本的特征向量的相似性。这类方法能够保证一定的性能需求,但是无法针对海量的文本进行两两的相似性判断,存在明显弊端:一是码本规模巨大,捕捉信息效率低;二是对内容变异不敏感,导致遗漏相似样本。
发明内容
为了解决现有技术中的上述问题,即为了解决捕捉信息效率低的问题,本发明提供一种基于海量新闻数据的快速热点检测方法及系统。
为解决上述技术问题,本发明提供了如下方案:
一种基于海量新闻数据的快速热点检测方法,所述快速热点检测方法包括:
对多个待处理新闻文本进行链式聚类,得到粗聚类集合;
基于快速搜索和寻找密度峰值方法,对所述粗聚类集合进行搜索,得到细聚类集合;
提取所述细聚类集合中的代表性短语,所述代表性短语为热点词语。
可选的,所述对多个待处理新闻文本进行链式聚类,得到粗聚类集合,具体包括:
抽取每个待处理新闻文本中的关键词及所述关键词对应的权重,每个关键词及对应的权重为一对词组,多对词组形成对应该待处理新闻文本的文本特征向量集feature_weight_pairs;其中,feature_weight_pairs=[fw1,fw2,fw3,...,fwn],fwn=(feature_n,weight_n),feature_n表示第n个关键词,weight_n表示关键词feature_n对应的权重;
采用哈希算法对每一文本特征向量集中的词组进行映射,得到对应待处理新闻文本的哈希特征向量集hash_weight_pairs,其中,hash_weight_pairs=[hw1,hw2,...,hwn],hwn=(hash(feature_n),weight_n),hash(feature_n)表示关键词feature_n的映射哈希值,且hash(feature_n)的位数为count_bits_n;
根据所述哈希特征向量集hash_weight_pairs中的各哈希值,生成表征内容指纹的二进制字符串;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院自动化研究所,未经中国科学院自动化研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810044908.0/2.html,转载请声明来源钻瓜专利网。
- 数据显示系统、数据中继设备、数据中继方法、数据系统、接收设备和数据读取方法
- 数据记录方法、数据记录装置、数据记录媒体、数据重播方法和数据重播装置
- 数据发送方法、数据发送系统、数据发送装置以及数据结构
- 数据显示系统、数据中继设备、数据中继方法及数据系统
- 数据嵌入装置、数据嵌入方法、数据提取装置及数据提取方法
- 数据管理装置、数据编辑装置、数据阅览装置、数据管理方法、数据编辑方法以及数据阅览方法
- 数据发送和数据接收设备、数据发送和数据接收方法
- 数据发送装置、数据接收装置、数据收发系统、数据发送方法、数据接收方法和数据收发方法
- 数据发送方法、数据再现方法、数据发送装置及数据再现装置
- 数据发送方法、数据再现方法、数据发送装置及数据再现装置