作者：牛奉高; 张亚宇共现潜在语义向量空间模型语义核共现潜在语义向量空间模型语义核文本聚类
摘要：实现数字图书馆资源聚合的知识发现离不开对知识的有效表示。作为经典的文本表示模型，向量空间模型（VSM）及其衍生模型在信息检索以及知识发现等研究中都有着重要的地位，但依然存在不足。共现潜在语义向量空间模型（CLSVSM）作为新的文本表示模型，与VSM相比明显提高了文本聚类的精度。然而，面对文本大数据的应用，共现矩阵维度往往较高，致使模型的计算复杂度也较大。因此，本文在CLSVSM基础上构建了语义核（CLSVSMK），构建的原理是基于潜在语义分析（LSA）的思想。CLSVSMK不仅降低了共现矩阵的维度，而且实现了文本特征词之间同义信息的合并。本文将该语义核模型应用于文献的主题聚类中，实验结果表明，该方法的确有效降低了特征词空间的维度和计算的复杂度，提高了聚类算法的性能，且提高了文献主题聚类的精确度。该模型的应用将有助于数字图书馆信息资源组织、知识发现和知识优化。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
