HITS算法在文本聚類結(jié)果特征提取中的應(yīng)用.pdf

1、目的:
　　 本次研究基于HITS(Hypertext-Induced Topic Search)算法，對(duì)高被引論文進(jìn)行同被引聚類分析，提取出聚類結(jié)果中每一類的特征詞，客觀的描述聚類分析結(jié)果。開(kāi)發(fā)出能夠自動(dòng)提取關(guān)鍵詞的程序，排除分析者的閱讀能力、理解能力和歸納能力等主觀性，不受所研究的文本量大小的限制，使科研人員更準(zhǔn)確更容易的分析聚類結(jié)果，為進(jìn)一步做研究服務(wù)。
　　 材料與方法:
　　 從SCI-CDROM檢索1

2、992-2002年與外傷性脊髓損傷治療(treatment oftraumatic spinal cord injury)有關(guān)的文獻(xiàn)，并套錄每篇文獻(xiàn)的引文。采用書(shū)目信息共現(xiàn)挖掘系統(tǒng)(Bibliographic Item Co-Occurrence Matrix Builder, BICOMB)處理引文數(shù)據(jù)，截取被引次數(shù)超過(guò)某一閾值的論文，處理得到這些論文的同被引矩陣。導(dǎo)入到SPSS11.5 for Windows進(jìn)行聚類分析。通過(guò)PUB

3、MED分別檢索每一類中文獻(xiàn)的摘要信息。對(duì)摘要中的詞匯進(jìn)行預(yù)處理，截詞根，去停詞。依據(jù)TFIDF算法為每個(gè)詞賦予其在每一類論文集的權(quán)重。基于HITS算法提取關(guān)鍵詞。然后將算法提取的關(guān)鍵詞和PUBMED標(biāo)引的主題詞分別與對(duì)照論文相比較。
　　 結(jié)果:
　　 檢索得到219條文獻(xiàn)，5320篇引文。得到70篇高頻引文，分成四類。通過(guò)java程序，JDK版本是JDK1.6_14，web框架是struts1.2開(kāi)發(fā)出關(guān)鍵詞提取程序。

4、對(duì)于每一類，算法提取的關(guān)鍵詞和PUBMED標(biāo)引的主題詞的準(zhǔn)確率分別為：30％，40％；50％，50％;10％，20％;20％，0。對(duì)于算法提取出的關(guān)鍵詞，每一類中的詞與其它類中的詞均不相同。這說(shuō)明，HITS算法提取出的詞能夠區(qū)分各類別的特點(diǎn)。而對(duì)于PUBMED標(biāo)引的關(guān)鍵詞，除了第三類能夠代表該類以外，另外三類都不能與其它兩類更好的區(qū)分開(kāi)。
　　 結(jié)論:
　　 HITS算法用于聚類結(jié)果的特征提取是可以實(shí)現(xiàn)的，并且能有效的發(fā)