基于聚類的文本機會發(fā)現(xiàn)關鍵問題研究.pdf

1、現(xiàn)實世界中的一個事件序列可能包括原因、結果和一些值得注意的事件。通常，最根本的原因是隱藏的，或在重要事件中是未知的。傳統(tǒng)的信息處理方法通常是通過對頻繁出現(xiàn)事件的分析實現(xiàn)未來可能性的預測。但是，在這些信息中除頻繁事件之外，還包含著一些極少出現(xiàn)而又具有重要作用的事件，這些事件對未來同樣具有重要的影響作用，而傳統(tǒng)方法卻無法發(fā)現(xiàn)這些重要事件。機會發(fā)現(xiàn)為實現(xiàn)獲取觀測結果中稀少的、重要事件提供了切實可行的理論和方法。
　　 文本是目前一種重

2、要的信息承載方式。本文以文檔數(shù)據(jù)為研究對象，基于聚類技術對文本機會發(fā)現(xiàn)的若干關鍵問題進行研究。
　　 本文通過對機會發(fā)現(xiàn)現(xiàn)有理論和技術方法的研究，首先提出了文本機會的定義，并進一步建立了基于聚類的文本機會發(fā)現(xiàn)過程模型。明確了文本機會發(fā)現(xiàn)過程是一個在人的經(jīng)驗指導下的計算機自動進行聚類的人機交互的雙螺旋過程。
　　 其次，分析了現(xiàn)有的經(jīng)典機會發(fā)現(xiàn)算法KeyGraph的優(yōu)缺點，針對KeyGraph算法計算復雜的缺點，提出了一種

3、多遍掃描KeyGraph執(zhí)行模型，提出利用矩陣分解實現(xiàn)KeyGraph的具體計算，對KeyGraph的計算方法改進。有效地提高了算法的執(zhí)行效率，減少計算數(shù)據(jù)量，并降低了時間空間復雜度。
　　 第三，文本數(shù)量的急劇增加使得現(xiàn)有機會發(fā)現(xiàn)算法難以快速、有效地實現(xiàn)機會的提取。為解決此問題，本文在現(xiàn)有研究基礎上，通過對目前典型機會發(fā)現(xiàn)算法的預處理過程以及算法自身的細致分析，首先提出了既能降低算法復雜性，又能夠保留數(shù)據(jù)語義信息的文本機會發(fā)現(xiàn)

4、預處理算法，實現(xiàn)了事件的一致化描述；其次，提出基于進化免疫網(wǎng)絡的文本機會發(fā)現(xiàn)算法，利用進化免疫網(wǎng)絡壓縮數(shù)據(jù)規(guī)模的優(yōu)點，解決了大規(guī)模文本數(shù)據(jù)機會發(fā)現(xiàn)所帶來的問題。該提取算法與預處理算法增加了機會事件提取的準確性和有效性，有效地提高了算法的執(zhí)行效率，降低了系統(tǒng)的存儲開銷。
　　 最后，提出了一個基于免疫的多agent文本機會發(fā)現(xiàn)系統(tǒng)框架，并基于動態(tài)免疫網(wǎng)絡建立了系統(tǒng)的響應模型。
　　 本文以科技文獻應用為背景，發(fā)現(xiàn)樣本數(shù)據(jù)集