基于文本聚类的自动知识树构建方法提升

本文主要探讨了在知识管理系统中知识树的创建和维护过程中遇到的问题，并提出了一种新颖的基于文本聚类的方法来解决这个问题。当前的传统方法如K-means和SOM等，在处理文本数据时，往往难以准确地从聚类结果中提取出知识树中每个节点所对应的特定概念和词汇。为克服这一挑战，研究者选择了概率潜在语义分析(PLSA)作为聚类工具。 PLSA是一种统计建模技术，它能够在潜在语义空间中对文本数据进行分析，揭示文档主题与词汇之间的概率关系。这种方法的优势在于，通过聚类不仅提高了聚类精度，而且能够捕捉到更深层次的语义关联，使得知识树的构建更为精确和富有意义。在新方法中，聚类过程不仅区分文档类别，还提供了概念或概念集合的信息，这对于知识树的构建和知识管理至关重要。 该研究还涉及到了资金支持，包括国家自然科学基金项目和重庆市科委自然科学基金项目，这体现了研究者对知识管理领域的深入探索和实践。论文的两位作者——钟将教授和刘杰硕士，他们的研究方向包括文本分析、数据挖掘以及知识管理，这为新方法的提出提供了扎实的理论基础。 总结起来，本论文的关键贡献是提出了一种基于PLSA的文本聚类方法，用于自动构建知识树，从而提高知识管理系统的效率和准确性。这种方法的独特之处在于它能够同时实现聚类和概念提取，为知识树的动态更新和查询提供了有力的支持。这种创新在改善知识管理实践方面具有重要的应用价值。