(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211016694.9 (22)申请日 2022.08.24 (71)申请人 中信天津金融科技 服务有限公司 地址 300000 天津市滨 海新区黄海路249号 二号单体 (72)发明人 韩承洁　朱健　张鹏　王碧君　 穆德龙　杨宗畅　刘明扬　 (74)专利代理 机构 天津易企创知识产权代理事 务所(普通 合伙) 12242 专利代理师 王春梅 (51)Int.Cl. G06F 16/35(2019.01) G06F 16/31(2019.01) G06F 40/194(2020.01) G06F 40/30(2020.01) (54)发明名称 一种基于聚类分析的多数据文档分类方法 及系统 (57)摘要 本发明提出了一种基于聚类分析的多数据 文档分类方法及系统， 涉及 文档数据处理技术领 域， 输入用于分类的多个文档， 根据不同约束从 多个文档中提取M个集合； 对多个关键词语分别 进行加权计算； 根据加权结果， 从每个集合中包 含的关键词语中按照权重从大到小的顺序对每 个关键词语进行排序； 根据排序的前K个关键词 语， 将每个集合分类为Q个集群， 其中每个集群中 包括w个关键词语； 根据每个集群的矢量计算集 群相似度， 将内积值小于设定阈值的多个集群结 合而形成大集群； 基于大集群的关联度计算待匹 配的大集群所在的集合与 目标集合的关联度加 权和， 选出最大关联度加权和对应的大集群所在 的集合； 重复上述步骤直至所有文档均聚类完 成。 权利要求书2页 说明书6页 附图1页 CN 115098690 A 2022.09.23 CN 115098690 A 1.一种基于聚类分析的多数据文档分类方法， 其特 征在于， 包括如下步骤： 步骤S1， 输入用于分类的多个文档， 并将其存 储在文件 存储部； 步骤S2， 根据不同约束从多个文档中提取M个集 合； 步骤S3， 对多个关键词语分别进行加权计算； 根据加权结果， 从每个集合中包含的关键 词语中按照权 重从大到小的顺序对每 个关键词语进行排序； 步骤S4， 根据排序的前K个关键词语， 将每个集合分类为Q个集群， 其中每个集群中包括 w个关键词语， 1≤w≤K； 步骤S5， 根据每个集群的矢量计算集群相似度， 将内积值小于设定阈值的多个集群结 合而形成大集群； 步骤S6， 基于大集群的关联度计算待 匹配的大集群所在的集合与目标集合的关联度加 权和， 选出最大关联度加权和对应的大集群所在的集 合； 步骤S7， 重复步骤S2 ‑S7， 直至所有 文档均聚类完成。 2.根据权利要求1所述的多数据文档分类方法， 其特征在于， 所述步骤S3中， 使用加权 公式 （1） 为每 个文档的关键词语 计算权值： Wij=TFij×IDFj  (1)； 其中， Wij是文档i中的关键词语j的权重， TFij是文档i中的关键词语j的出现频率， IDFj 是关键词语j在多个文档中出现的文档件数的比值对数； 设具有M个文档， M个文档中的N件文档包 含关键词语j， 则： IDFj＝log N/M （2） ； 则， 加权公式 （1） 表示 为： Wij=TFij×log N/M  (3)。 3.根据权利要求2所述的多数据文档分类方法， 其特征在于， 所述步骤S5中， 若关键词 语j 第一次出现在某个集群中,设其联系到其他Q ‑1个集群中的第q个集群的概率为 , 且： ； 其中j＝1、 2、 …、 K； 计算每个集群q的矢量 ：   （4） ； 表示集群q的权重， ； 为集群q中包 含的w个关键词语的权值； 两个集群相似度用各个集群的矢量 和 的内积值r12来表示： (5)； 其中， 为矢量 和 间的夹角； 将内积值小于设定阈值rt的多个集群结合而形成大集群， 根据大集群所包含各个集群 的矢量合成大集群的矢量。权　利　要　求　书 1/2 页 2 CN 115098690 A 24.根据权利要求1所述的多数据文档分类方法， 其特征在于， 所述步骤S6具体包括如下 步骤： 步骤S61、 计算各个集 合之间的大集群X和Y的关联度S：   （6） ； 其中， D为大集群的总数； 步骤S62、 提取与目标集 合的特征属性相匹配的大集群所在的集 合； 设与目标集合待匹配的大集群所在的集合为CR={CR1、…、 CRL、…、 CRD}， 待匹配的集合 中的正分类大集群为r+； 负分类大集群为r， 正分类关联度影响因子 和负分类关联度影响 因子 ； 计算待匹配的大集群所在的集 合CR与目标集 合的关联度加权和W(S)：  （7） ； 其中， 和 分别为大集群r+和r‑分别与待匹配的大集群的关联度； 最大关联度加权和对应的大集群所在的集 合为预测集 合Ps:  （8） ； 其中， 表示由第k个的待匹配的大集群所在的集合的关联度加权和， L=1,2,...  , D， max()为 最大值函数。 5.一种基于聚类分析的多数据文档分类系统， 其特征在于， 用于实现如权利要求1 ‑4所 述的分类方法， 包括： 文件存储部、 集合提取部、 关键词 提取部、 集群分类单元、 集群相 似度 计算部和聚类关联部； 文件存储部， 存储用于分类的多个文档； 集合提取部,根据不同约束从多个文档中提取M个集 合； 关键词提取部， 对多个关键词语分别进行加权计算； 根据加权结果， 从每个集合中包含 的关键词语中按照权 重从大到小的顺序对每 个关键词语进行排序； 集群分类单 元， 根据排序的前 K个关键词语， 将每 个集合分类为 Q个集群； 集群相似度计算部,根据每个集群的矢量计算集群相似度， 将内积值小于设定阈值的 多个集群结合而形成大集群； 聚类关联部,基于大集群的关联度计算待 匹配的大集群所在的集合与目标集合的关联 度加权和， 选出最大关联度加权和对应的大集群所在的集 合。 6.根据权利要求5所述的多数据文档分类系统， 其特征在于， 所述约束为时间信息、 与 目标信息内容相关的约束、 在目标地 点或位置信息相关的约束中的一种或多种。权　利　要　求　书 2/2 页 3 CN 115098690 A 3