基于表层文本信息的科技文献集多主题划分方 法的研究-计算机应用技术专业论文.docxVIP

万方数据 万方数据 国内图书分类号：TP391.1 密级：公开 国际图书分类号(UDC)： 学号：2012010470 工学硕士学位论文 基于表层文本信息的科技文献集多主题划分方 法的研究 硕 士 研究生：肖雨 导 师：崔荣一 教授 申 请 学 位 ：工学硕士 学 科、专 业：计算机应用技术 所 在 单 位：工学院 答 辩 日 期：2015 年 5 月 23 日 授予学位单位：延边大学 Classified Index: TP391.1 UDC: Dissertation for the Master’s Degree of Science in Engineering RESEARCH ON MULTI-TOPIC PARTITION METHOD FOR SCIENTIFIC AND TECHNICAL LITERATURE SET BASED ON SURFACE TEXT INFORMATION Candidate: Supervisor: Academic Degree Applied for: Speciality: Affiliation： Date of Defence: Degree-Conferring-Institution: Xiao Yu Prof. Cui Rongyi Master of Science in Engineering Computer Application Technology College of Engineering May, 2015 Yanbian University 本论文已达到工学硕士学位论文要求 答 辩 委 员 会 委 员 （印） 答 辩 委 员 会 委 员 （印） 答 辩 委 员 会 委 员 （印） 答 辩 委 员 会 委 员 （印） 答 辩 委 员 会 委 员 （印） 答 辩 委 员 会 委 员 （印） 答 辩 委 员 会 委 员 （印） 答 辩 委 员 会 委 员 （印） 延 边 大 学 2015 年 5 月 23 日 学位论文独创性声明 本人郑重声明：所呈交的学位论文系本人在导师指导下独立完成的研究成果。尽我 所知，除了文中特别加以标记和致谢的部分外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含本人为获得任何教育机构的学位或学历而使用过的材料。与我一 同工作的同事对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 本人如违反上述声明，愿意承担由此引发的一切责任和后果。 研究生签名： 日期： 年 月 日 学位论文使用授权声明 本人在导师指导下所完成的学位论文，学校有权保存其电子和纸制文档，可以借阅 或上网公布本学位论文的全部或部分内容，可以向有关部门或机构送交并授权其保存、 借阅或上网公布本学位论文的全部或部分内容。对于保密论文，按保密的有关规定和程 序处理。 本学位论文属于： 1. 保密 ?，在 年解密后适用于本声明；2.不保密 ?。 研究生签名： 导师签名： 日期： 年 月 延边大学工学硕士学位论文 延边大学工学硕士学位论文 摘 要 科技文献是人们获得科技信息的重要来源之一，通过对科技文献进行有 效的处理，可以揭示文献内部潜在的信息和知识，进而使人们可以快速、高 效地获取文献信息。科技文献的自动分类是信息检索和数据挖掘领域的一个 重要研究内容，已成为当今文献信息处理方法的研究热点。对科技文献进行 自动分类和评价需要深入分析文献的信息特征，同时要把机器学习、自然语 言处理等多种方法合理运用到文献分析领域，并研究其有效的实现方法。基 于文献的概括性短篇幅文本信息（如标题、摘要、关键词等）实现对文献集 的自动分类是具有较高使用价值的研究课题。 概括性短篇幅文本信息特征词稀少，难以体现文献之间的相关性，且因 交叉学科和多类别科技文献的存在，通过一般方法对科技文献进行硬性的划 分归类显然是不科学的。为此，本学位论文分析了科技文献特有的行文特点， 根据表现文献的概括性特征的表层文本信息，采用多标记聚类方法对文献集 进行了多主题自动分类，按照不同的主题把同一个文献划分到不同类别，从 而可从多角度体现文献主题，有利于表现文献的多学科特征，并给出了基于 自动划分的文献集丰富性评价方法。 首先，通过词频选择特征词，利用向量空间模型(VSM)表示文档集，并 针对传统文本信息处理存在的问题，引入潜在语义分析模型，通过基于奇异 值分解(SVD)的语义降维方法对所建立的特征词-文档关联矩阵进行分解降 维，获得了文献集的低维潜在语义空间表示，揭示出文献之间的语义关系。 其次，基于改进的 K-means 算法，对文献集进行了聚类处理，同时通过 文献聚类粒度的自适应确定，解决了对文献的多主题标定，实现了适合于科 技文献集特征的多主题聚类分