[发明专利]一种用于大数据的数据挖掘方法和装置

摘要

本发明提供了一种用于大数据的数据挖掘方法，包括如下步骤：对文本数据库内容当中的每一条语句进行分词；对分词后的字、词及词组是否属于实体进行识别；然后对分词后的字、词及词组进行语义标注分析；对文本数据库内容进行句法分析；根据句法分析结果生成完整结构化数据库；将完整结构化数据库分割为不同的子数据库；根据具体的挖掘目标，选择相应的子数据库、子数据库的组合或者完整结构化数据库进行挖掘分析。本发明的方法可以提高数据挖掘的效率。本发明还提供了一种用于大数据的数据挖掘装置。

主权项

1.一种用于大数据的数据挖掘方法，其特征在于，包括如下步骤：/n步骤101：对文本数据库内容当中的每一条语句进行分词；/n步骤102：对步骤101所述分词后的字、词及词组是否属于实体进行识别；/n步骤103：对步骤101所述分词后的字、词及词组进行语义标注分析；/n步骤104：对文本数据库内容进行句法分析；/n步骤105：根据句法分析结果生成完整结构化数据库；/n步骤106：将完整结构化数据库分割为不同的子数据库；/n步骤107：根据具体的挖掘目标，选择相应的子数据库、子数据库的组合或者完整结构化数据库进行挖掘分析；/n在步骤105中，/n生成语句结构固定的完整结构化数据库，并在生成完整结构化数据库时，保存每个语句的分类标记，同时对分类标记进行统计；/n在步骤106中，/n根据语句分类标记的统计结果或者常用的挖掘目标，将完整结构化数据库分割为不同的子数据库，并赋予子数据库以索引，其索引以语句分类标记或挖掘目标为主，分割子数据库时，使标记相似的语句放入同一个子数据库中，不同的子数据库之间相似度尽量小，其中：/n计算语句之间相似度的公式为：/n /n其中，sim()为相似度计算函数，d1，d2为语句，α为分类标记的粒度，且分类标记仅分为1个粒度，设定其α为1，L(d1)为结构化数据库中的d1语句的分类标记个数，其值与L(d2)相等，L(d1∩d2)为语句d1和语句d2中的相同的分类标记的数目，n1和n2为可调节系数，其值大于0；/n计算语句与子数据库之间相似度的计算公式为：/n /n其中，D为子数据库，L(d1∩D)为语句d1的分类标记中的包含于子数据库D中的索引的数目，n3和n4为可调节系数，其值大于0；/n子数据库之间的相似度计算公式为：/n /n其中，L(D1)为子数据库D1中的索引的数目，L(D1∩D2)为子数据库D1和D2相同的索引的数目，n5和n6为可调节系数，其值大于0。/n