[发明专利]一种基于引用网络和文本相似度网络的文献聚类方法

说明书

本发明公开了一种基于引用网络和文本相似度网络的文献聚类方法，综合考虑了参考文献在引证文献中引用的次数及位置分布，参考文献之间的引用邻近度，以及文献的文本相似度等因素，计算文献的相似度，并采用随机游走算法对文献进行聚类，计算每篇文献的中心度来确定文献的重要程度。本发明的方法能有效弥补基于传统耦合网络和文本相似度网络在文献聚类时的不足，本发明提出的方法能更加科学合理地实现文献聚类分析。

技术领域

本发明属于文献聚类技术领域，尤其涉及一种基于引用网络和文本相似度网络的文献聚类方法。

背景技术

近年来，由于各领域发表的文献数量呈指数级增长，使得学者(尤其是新入门的学者)仅依靠人工阅读文献并对文献进行聚类分析，成为一项几乎不可能完成的任务。因此，构建一种能准确地聚类文献，且能合理地定位核心文献的方法显得迫在眉睫。在文献计量学和信息计量学领域，文献引用网络常用于文献聚类分析。文献引用网络主要有如图1所示的三种结构：直接引用网络、共被引网络、耦合网络。如果文献A引用了文献B，那么文献A和B构成直接引用网络(如图1(a))；如果文献A和B均被另一篇文献C引用，那么文献A和B构成共被引网络(如图1(b))；如果文献A和B均引用了同一篇文献C，那么文献A和B构成耦合网络(如图1(c))。

除文献的直接引用网络外，文献的共被引网络也常用于文献聚类分析然而，由于获取文献全文及参考文献在引证文献中引用位置信息的工作量较大，基于传统共被引的文献聚类模型缺乏对参考文献引用邻近度的考虑，仅简单假设引证文献中所有的参考文献具有相等的相似度。有些现有技术方案虽然综合考虑了文献的平均发表时间、文献的关键词相似度、参考文献的相似性，以及参考文献与引证文献的引用次数等因素。但考虑的参考文献与引证文献之间的引用次数，只是基于文献的直接引用网络、共被引网络和耦合网络的简单统计，并没有进一步考虑参考文献在引证文献中引用的次数及位置分布。此外，现有技术提出的文献聚类方法，通常考虑了参考文献的相对距离而不是绝对距离。

因此，寻找更加有效的文献聚类方法，一直是本领域技术人员的重要课题。

发明内容

本发明的目的是提供一种基于引用网络和文本相似度网络的文献聚类方法，以文献为节点，以文献相似度为连边强度，构建了文献-相似度网络，对文献进行聚类分析，使得同一聚类中的文献具有相似的主题。

为了实现上述目的，本发明技术方案如下：

一种基于引用网络和文本相似度网络的文献聚类方法，其特征在于，所述基于引用网络和文本相似度网络的文献聚类方法，包括：

对基于引用网络和文本相似度网络的文献相似度进行标准化，采用S＝[S_i,j]表示基于引用网络和文本相似度网络的N×N的相似度矩阵，其中元素S_i,j表示文献i和文献j的相似度，S_i,j的计算公式如下：

其中，和分别表示标准化后的基于引用网络和文本相似度网络的文献相似度，λ表示引用网络的权重；

采用随机游走算法对文献进行聚类，计算每篇文献的中心度来确定文献的重要程度。

进一步地，以表示基于引用网络的N×N的相似度矩阵，元素表示文献i和文献j基于引用网络的相似度，标准化后就是计算公式如下：

其中，v₁、v₂、和v₃分别表示构成文献相似度矩阵时直接引用网络、共被引网络及耦合网络的权重，且v₁+v₂+v₃＝1，表示文献i和文献j基于直接引用网络的相似度，表示文献i和文献j基于共被引网络的相似度，表示文献i和文献j基于耦合网络的相似度。