申请/专利权人：电子科技大学长三角研究院(湖州)

申请日：2023-12-04

公开（公告）日：2024-04-16

公开（公告）号：CN117891938A

主分类号：G06F16/35

分类号：G06F16/35;G06F40/194;G06F18/23213;G06F18/22

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种基于最小哈希和数据流的大规模相似文本聚类方法。首先将原始文本数据转化为byte类型数据，然后提取数据块的k‑shingle，映射成哈希值，使用转置函数生成最小哈希签名，根据得到的哈希签名进行初始化聚类空间，随后开始进行数据流聚类，数据按照类顺序与类中心进行雅可比相似度计算。同时，考虑到时间的进行，类中心可能发生变化，设计数据块雅可比相似总和来对类中心进行更新。

主权项：1.一种基于最小哈希和数据流的大规模相似文本聚类方法，其特征在于，包括以下步骤：1、文本数据转化：将原始文本数据转化为byte数据类型的数据块；2、最小哈希签名矩阵生成：首先提取生成的数据块中长度为k的连续段，称为k-shingle，将每一个k-shingle转化为其唯一对应的hash值，利用转置函数对hash值进行计算，取最小值作为数据块的签名；3、初始化聚类空间：得到数据块的签名后，选取前1000个数据块进行初始化k-means聚类，记录每个类的类中心，并按类元素数量降序排序；4、数据流聚类：数据块流式进入聚类空间，按照顺序依次跟类中心计算雅可比相似度，当超过阈值时加入类；5、更新类顺序和类中心点：每隔一段时间，根据类元素数量更新类顺序，根据数据块的雅可比相似度总和更新类中心。

全文数据：

权利要求：

百度查询： 电子科技大学长三角研究院(湖州) 一种基于最小哈希和数据流的大规模相似文本聚类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD