[发明专利]一种中文文档集的主题可视化方法

摘要

本发明公开了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，划分文档集时间段的步骤，计算主题频次的步骤，对主题进行排序的步骤，生成主题流图的步骤，提取表示主题内容的关键词的步骤，计算关键词的权重并排序的步骤和生成文字云的步骤。还包括基于主题频次和几何互补性的排序方法、文字云布局方法以及生成详细的文字云方法。本发明的技术效果在于：1、实现了对中文文档集的主题可视化。2、采用基于主题频次和几何互补性的排序方法生成的主题流图更美观、更平坦，空间利用率高，更利于文字云的放置。3、文字云布局方法能有效利用空间，大大提高了布局效率。4、生成详细的文字云可以展示主题的所有关键词内容。

主权项

一种中文文档集的主题可视化方法，其特征在于，包括按主题对文档集分类的步骤：设文档集有n个主题lj,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Dj，j＝0，1，2，...，n‑1；其中，主题lj对应的文档子集是Dj；划分文档集时间段的步骤：设文档集开始时间为tstart，结束时间为tend，对文档集时间段[tstart,tend]进行等分，得到时间段Tp＝(tstart+(p‑1)Δt,tstart+pΔt]，其中，p＝1,2,…,m‑1，计算主题频次的步骤：设主题频次包括vj,0和vj,p，其中vj,0为主题lj对应的文档子集Dj在开始时间tstart的文档数量,vj,p是主题lj对应的文档子集Dj在时间段Tp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；提取表示主题内容的关键词的步骤：设Wj,p是主题lj对应的文档子集Dj在时间段Tp内的文档中表示该主题内容的关键词子集；使用现代汉语通用分词系统从每个主题对应的文档子集在每个时间段的文档中分别提取出表示该主题内容的关键词子集；计算关键词的权重并排序的步骤：设关键词的权重是该关键词在一个关键词子集中出现的次数；计算每个关键词在每个关键词子集里的权重，并在每个关键词子集中根据关键词的权重从大到小对所有关键词排序；生成文字云的步骤：根据关键词子集和关键词权重，在主题流图上生成文字云；所述对主题进行排序的步骤，按照基于主题频次和几何互补性的排序方法进行，包括步骤1，设主题lj的起始时间是OTj；当vj,0不等于零时，取文档集的开始时间tstart为OTj；当vj,0等于零时，则取vj,p不为零的那些时间段Tp的左端点的最小值作为OTj；计算每个主题的起始时间；步骤2，设主题lj的频次和计算每个主题的频次和；步骤3：新建空列表B；如果n为偶数，则把频次和最大的那个主题写入列表第一行，作为上端点主题lup，把频次和次大的那个主题写入列表第二行，作为下端点主题ldown；如果n为奇数，则把频次和最大的那个主题写入列表第一行，同时作为上端点主题lup和下端点主题ldown；步骤4：选择一个不在列表B中的主题li，计算lup和li的频次和的平均值V(lup+li)‾=1mΣp=0m-1(vup,p+vi,p)---(1);]]>计算lup和li的几何互补性，用方差σup,i表示：σup,i=1mΣp=0m-1((vup,p+vi,p)-V(lup+li)‾)2---(2);]]>将σup,i和OTi归一化后，计算加权值Di：Di＝sOTi+(1‑s)σup,i    (3)；其中s为控制参数，0≤s≤1；步骤5：重复步骤4，直到得到每一个不在列表B中的主题的加权值；步骤6：选择加权值Di最小的主题，插入到列表B上端点主题的上方，作为新的上端点主题lup；步骤7：选择一个不在列表B中的主题lk，计算ldown和lk的频次和的平均值V(ldown+lk)‾=1mΣp=0m-1(vdown,p+vk,p)---(4);]]>计算ldown和lk的几何互补性，用方差σdown,k表示：σdown,k=1mΣp=0m-1((vdown,p+vk,p)-V(ldown+lk)‾)2---(5);]]>将σdown,k和OTk归一化后，计算加权值Dk：Dk＝sOTk+(1‑s)σdown,k    (6)；其中s为控制参数，0≤s≤1；步骤8：重复步骤7，直到得到每一个不在列表B中的主题的加权值；步骤9：选择加权值最小的主题，插入到列表B下端点主题的下方，作为新的下端点主题ldown；步骤10：重复执行步骤4至步骤9，直到所有的主题都添加到列表B中。