肖融，孔亮，張巖

(北京大學(xué)教育部機器感知重點實驗室，北京100871)

人們生活在信息時代，每天都在接收大量的信息，從各種媒體渠道瀏覽各種新聞事件.有些新聞事件只有基于事件本身的客觀性報道，比如《哈利波特7》上映，莫斯科發(fā)生大規(guī)模球迷騷亂，歐盟呼吁歐洲共同應(yīng)對危機等.這類新聞報道主要是對所發(fā)生的新聞事實進行客觀描述，一般所有的報道都相近似，不會眾說紛紜.而有一些新聞事件由于具有開放性或者模糊性，導(dǎo)致各方面口徑不一，就會出現(xiàn)所謂的“羅生門”現(xiàn)象.比如流行天王Michael Jackson的死因，有報道說是心臟病意外死亡，有報道稱是自殺，有報道稱是私人醫(yī)生誤殺或謀殺等.再比如對于韓國天安艦沉船事件，有報道稱是朝鮮所為，有報道稱是美國的陰謀，還有報道說是南北交火時沉沒等.這一類新聞事件的眾多報道就會出現(xiàn)對于同一事件有多個不同版本說法的現(xiàn)象，也就是本文所研究的多版本事件.

隨著話題發(fā)現(xiàn)與追蹤技術(shù)(topic detection and tracking，TDT)［1-2］的發(fā)展日益成熟，很多網(wǎng)站都可以提供為用戶組織歸納新聞事件的應(yīng)用.通過話題發(fā)現(xiàn)與追蹤，用戶可以清楚地知道新聞事件的發(fā)生和衍化過程，也可以看到關(guān)于事件的各種報道.TDT源于1996年美國國防高級研究計劃委員會提出的需要一種能自動確定新聞報道流中話題結(jié)構(gòu)的技術(shù)［3-5］.隨后，DARPA、卡內(nèi)基·梅隆大學(xué)、Dragon系統(tǒng)公司以及馬薩諸塞大學(xué)的研究人員定義了TDT的相關(guān)內(nèi)容，并檢驗信息檢索中基于主題的技術(shù)在TDT中的應(yīng)用情況，這些研究及評測被命名為TDT pilot［6］.TDT是一項綜合的技術(shù)，需要較多的自然語言處理理論和技術(shù)作為支撐.話題發(fā)現(xiàn)技術(shù)可以看作是一種按事件的聚類，研究者常采用的算法有agglomerative聚類、增量K-means聚類、增量聚類等.話題追蹤的常用技術(shù)有Rocchio分類方法、決策樹方法、基于HMM的語言模型等［7-10］.

然而，對于多版本的新聞事件，簡單的組織歸納難以滿足用戶對于不同版本報道的信息獲取的需求.對于存在多個版本的事件，讀者很難面對龐大的新聞數(shù)據(jù)而自行鑒別事件的版本，如果存在一個算法可以為讀者找出一共存在多少個版本，每一個版本的描述是什么，那么對于讀者獲取相關(guān)新聞信息將會十分有用.

遺憾的是，目前關(guān)于事件多版本發(fā)現(xiàn)的研究很少，沒有太多有價值的相關(guān)文獻.對于多版本發(fā)現(xiàn)最直接的考慮就是進行簡單的聚類分析.聚類是數(shù)據(jù)挖掘技術(shù)中極為重要的組成部分，是在事先不規(guī)定分組規(guī)則的情況下，將數(shù)據(jù)按照其自身特征劃分成不同的簇(cluster)，不同簇的數(shù)據(jù)之間差距越大、越明顯越好，而每個簇內(nèi)部的數(shù)據(jù)之間要盡量相似，差距越小越好.常見的聚類算法有 K-means算法、Birch算法、Dbscan算法、Clique算法、神經(jīng)網(wǎng)絡(luò)方法等［11-14］.但是單純的聚類方法具有很多局限性.由于對于同一事件的新聞報道在內(nèi)容主體上通常具有高度的相似性，簡單的聚類方法無法將其中不同的“聲音”有效地區(qū)分開來.文獻［15］提出了一種基于圖模型的事件多版本發(fā)現(xiàn)算法.該算法是基于語義的迭代算法，通過提取流行詞并將之過濾來降低同一特定事件的文檔之間的緊密聯(lián)系性.然后構(gòu)建詞圖以發(fā)現(xiàn)詞與詞之間的層次關(guān)系.根據(jù)社區(qū)發(fā)現(xiàn)算法［16］，構(gòu)建虛擬文檔來表示每一版本的中心.最后根據(jù)Rocchio分類算法［17］來進行多版本的分類.

盡管本文在內(nèi)容上借鑒上述一些前人的工作，但無論從算法思想還是效果上都有很大創(chuàng)新.一方面，它提出了話題層的概念，建立了文檔集與話題層的映射關(guān)系，利用LDA將文檔集合引申到話題空間，然后對每一話題進行特征提取.另一方面，它提出了一種有效的提取高區(qū)分度特征的方法.該方法過濾掉了文本集之間相似性的部分，有效地提取出文檔集之間的差異性特征，從而提高多版本發(fā)現(xiàn)的效率和準確度.

1 基本定義

關(guān)于事件的多版本發(fā)現(xiàn)，這里首先要討論的就是一個有效的事件多版本發(fā)現(xiàn)算法需要具備的性質(zhì).并且，為了使多版本發(fā)現(xiàn)的工作更有意義，本文認為這樣的算法必須是足夠強健的(qualitatively strong)［18］.

首先，這里先要聲明幾個符號表示的意義.令D={di，di+1，…，dn}表示對于某一特定新聞事件所搜集的n個文檔的集合，其中每一篇文檔di，i=1:n，用 bag of words表示(w1，w2，…，wd).多版本發(fā)現(xiàn)的目標在于發(fā)現(xiàn)m個不同的版本V={v1，v2，…，vm}來描述一個事件，其中每一種版本vi(i=1:m)，用一種詞的分布表示.對于某一事件的多版本發(fā)現(xiàn)也就是找到關(guān)于這一事件的不同方面、不同說法或不同觀點等，讓用戶能夠一目了然地看到這一事件的不同角度和層面.

為了得到有效的多個版本描述，一個關(guān)于新聞事件的多版本發(fā)現(xiàn)算法需要滿足以下3個特性:

1)多樣性.即給定一個文檔集合D作為輸入，多版本發(fā)現(xiàn)算法需要在不改變相似度函數(shù)的情況下，找到m(m＞1)個不同的版本 vi，i=1:m.也就是說算法不依賴于相似度函數(shù)的形式.

2)區(qū)別性.得到的每一個版本vi(i=1:m)應(yīng)該是顯著不同的.這里指的是任意2個版本之間應(yīng)該具有高度不相似度.

3)高質(zhì)性.得到的每一個版本vi(i=1:m)應(yīng)該是關(guān)于相似度函數(shù)表現(xiàn)強健的(qualitatively strong).

可以證明，本文介紹的多版本發(fā)現(xiàn)算法滿足以上提到的多樣性、區(qū)別性和高質(zhì)性.

2 CDW:基于文本的事件多版本發(fā)現(xiàn)模型

2.1 CDW算法框架

CDW(clustering by highly-differentiated words)對于事件的多版本發(fā)現(xiàn)，最樸素、最直接的做法就是對文檔進行簡單的聚類.然而，由于大數(shù)據(jù)集文檔間存在復(fù)雜的語義關(guān)聯(lián)和高度的相似性，僅僅簡單的聚類方法無法得到區(qū)分度高的版本類別，“區(qū)別性”方面的表現(xiàn)很差.為了解決這個問題，本文提出的CDW事件多版本發(fā)現(xiàn)算法將整個問題分為2部分:首先，需要找到具有高區(qū)分度的特征;其次，將文檔進行特征向量化，并且進行文本聚類.進一步具體分析，本文算法可以分為以下3步:

1)尋找區(qū)分度高的特征.每一篇文檔都可以被表示成a bag of words，對于大數(shù)據(jù)集來說，不經(jīng)篩選無疑會造成維數(shù)災(zāi)難.為了得到更利于區(qū)分文檔的特征并去掉干擾噪音，本算法將文檔集引申到話題層，通過運用詞頻過濾和提取popular words等方法，對特征進行篩選和降維，最終得到區(qū)分度較高的特征.

2)特征向量化，構(gòu)建處理后的文檔.需要將所有文檔用經(jīng)過篩選的高區(qū)分度特征進行向量化表示.這里，本算法利用的是TF-IDF加權(quán)技術(shù)［19］.

3)文本聚類.經(jīng)過特征篩選和特征表示，已經(jīng)得到了經(jīng)過處理的文檔特征向量.然后，用K-means方法［20］進行文本聚類，得到最終的多版本.

圖1展示了CDW算法的流程框架.下面將對這3步做進一步具體說明.

圖1 CDW算法框架Fig.1 The framework of CDW algorithm

2.2 高區(qū)分度特征的生成策略

詞匯是文檔最基礎(chǔ)的組成單元，也是最常用的特征表示.然而，如果將一篇文檔包含的所有詞語都作為這篇文檔的特征，那么對于大數(shù)據(jù)集來說可能會造成維數(shù)災(zāi)難.所以，必須提取出對于區(qū)分文檔版本最有效的詞語，以進行降維.

2.2 .1 根據(jù)詞頻過濾公共詞

詞頻過濾是進行特征篩選時最基礎(chǔ)的手段.經(jīng)過分析可知，對于同一事件的文檔集中頻率較高的詞通常是描述客觀事件本身的詞，并不具有版本信息.所以，本算法首先統(tǒng)計數(shù)據(jù)集中的每一個詞出現(xiàn)在文檔中的數(shù)目作為這個詞的頻率.這里設(shè)定一個閾值d，將頻率高于閾值d的詞全部篩掉.另外也過濾掉頻率為1的詞.

2.2 .2 基于LDA分析的話題映射與聚類

本算法利用LDA分析［21-23］對詞頻過濾后的特征集進行進一步特征提取，這樣做的目的是進一步降維，并且將文檔集映射到不同的話題.然后，對文檔集進行聚類.這樣，就得到了文檔的初步類別信息.

方法步驟如下［24］:

1)初始化.確定K的值，以及抽樣數(shù)目和參數(shù).進行LDA分析，得到詞-話題矩陣.

2)矩陣每一行為一個詞的特征向量，對其進行聚類.

首先，利用LDA分析將文檔集映射到話題層.

給定一個文檔集合D，每個文檔d包含一個詞序列{w1，w2，…，wn}.在集合 D 對應(yīng)的 LDA 模型中，首先假設(shè)話題數(shù)目固定為K，然后經(jīng)過LDA分析得到每個文檔屬于每個話題的概率.

然后進行文本聚類.在LDA分析后，獲得一個詞-話題的矩陣，每一行是詞在文本上的分布，每行有K維.之后把詞的特征向量進行聚類，根據(jù)最大隸屬原則，將每篇文章劃為概率最大的話題.這樣就完成了文檔集到話題層的映射.

2.2 .3 popular words的提取算法

通過之前2步對特征集的降維和提取，至此已經(jīng)將文檔集進行了話題的映射并且得到了初步的聚類結(jié)果.現(xiàn)在，需要對每一類進行提取popular words，從而得到每一類最具代表性的詞.這里所用到的提取方法是基于文獻［25］中提到的關(guān)鍵詞提取方法，并加以改進運用.本文認為，并往往在重要的句子中.有代表性的詞往往和其他有代表性的詞共同出現(xiàn).并且，句子和詞能夠根據(jù)他們的連接結(jié)構(gòu)計算排名.所以，首先計算句子排名，找到重要的句子集，從而減少句子的影響.構(gòu)建句子連接關(guān)系圖GS，句子si和sj邊的權(quán)值 IF(si，sj)定義如下:

式中:maxCo(si，sj)表示si和sj之間相同詞的個數(shù)，Length(sj)表示sj的長度.然后構(gòu)造鄰接矩陣MS，利用PageRank［26］的思想，對MS進行迭代計算得到每一個SRank(si)，其代表句子i的重要程度.

下一步根據(jù)句子的重要程度計算詞的重要程度.其基本思想與句子的計算和排名近似.同樣建立詞鏈接關(guān)系無向圖GW，詞i與詞j之間邊的權(quán)值定義如下:

式中:p代表句子sp中的詞集，SRank(sp)代表sp的重要程度.然后利用PageRank算法思想進行排名，得到每一個詞的WRank(wi).根據(jù)WRank(wi)的大小，排名靠前的詞為popular words.

最后將每一類得到的popular words合并去重到一個集合中，作為最終得到的具有高區(qū)分度的特征集合.

2.3 特征向量化

在這一步中，需要將原始數(shù)據(jù)集用得到的高區(qū)分度特征詞進行表示.對文檔進行向量化最常用的方法就是計算每個詞的TF-IDF權(quán)值，作為這一特征的特征值.TF-IDF［27-28］實際上是 TF*IDF，TF 為詞頻，IDF為反文檔頻率.計算公式如下:

2.4 文本聚類

最后，對處理后的數(shù)據(jù)集進行文本聚類.這里用的是 K-means聚類算法［29-30］.K-均值聚類(K-means clustering)是MacQueen提出的一種非監(jiān)督實時聚類算法，在最小化誤差函數(shù)的基礎(chǔ)上將數(shù)據(jù)劃分為預(yù)定的類別數(shù)K.設(shè)定類別數(shù)目K，然后將數(shù)據(jù)對象劃分為K個聚類以便使所獲得的聚類滿足:同一聚類中的對象相似度較高;不同聚類中的對象相似度較小.

2.5 文檔集與話題層的映射關(guān)系

圖2展示了CDW事件多版本算法中文檔集與話題層的映射關(guān)系以及整個算法的流程.

圖2 文檔與話題層的映射關(guān)系Fig.2 Mapping between documents and topics

通過圖示和之前的算法介紹，總結(jié)如下:

1)建立文檔集與話題層之間的映射關(guān)系，將文檔映射到不同的話題中;

2)提取每一個話題的特征;

3)合并所有話題的特征，過濾掉公共部分，找到具有特性的特征詞項;

4)將原始文檔集用提取出的特征表示，進行聚類.

最終得到不同版本的文檔集.

3 實驗與評價

3.1 實驗數(shù)據(jù)集

為了展示CDW算法的有效性，作者在2個真實的數(shù)據(jù)集上進行了實驗.一個是韓國的天安艦沉沒事件，包括533篇文檔，分別來自英國廣播BBC、英國天空廣播、美國之音、美國紐約時報、朝日新聞、朝鮮日報等，以下簡稱為CS.另一個是臺灣連勝文槍擊案，包括391篇文檔，分別來自騰訊、雅虎、新浪、搜狐、人民網(wǎng)、鳳凰網(wǎng)等，以下簡稱為LSW.

韓國天安艦事件發(fā)生于2010年3月26日，韓國軍方稱其一艘導(dǎo)彈護衛(wèi)艦“天安艦”因發(fā)生不明原因的爆炸事故而沉沒.由于確切的原因一直無法調(diào)查清楚，所以關(guān)于此次沉沒事件的原因引發(fā)了很大爭議.類似地，臺灣連勝文槍擊案發(fā)生于2010年11月26日，當時正值臺灣5市選舉，連戰(zhàn)的兒子連勝文在助選時頭部遭到槍擊.由于正值政治敏感時期，關(guān)于此次槍擊案兇手的動機就成了一大疑點.

表1 CS和LSW數(shù)據(jù)集說明Table 1 Illustration of data sets CS and LSW

數(shù)據(jù)集CS中，經(jīng)過去停用詞和詞根還原后的詞條一共有9 842個，利用詞頻過濾后有6 749個，最后提取到的高區(qū)分度特征詞為879個.數(shù)據(jù)集LSW中，經(jīng)過去停用詞和詞根還原后的詞條一共有7 477個，利用詞頻過濾后有4 952個，最后提取到的高區(qū)分度特征詞為650個.

3.2 評估方法

對于一個事件的新聞報道，很難通過逐篇瀏覽來確定每一篇報道屬于哪一個版本.所以，本文采用一個逐對判別的方法來評估CDW算法的效用.

在逐對判別方法中，這里關(guān)注的是某一對文檔是否屬于同一版本.首先，需要構(gòu)建標準測試集.作者從CS數(shù)據(jù)集中隨機選取了200對文檔，從 LSW數(shù)據(jù)集中隨機選取了150對文檔，并且確保每一對文檔都不同.然后，把每一對文檔給志愿者瀏覽，讓他們投票決定每一對文檔是否屬于同一版本.如果某一對文檔很難判別是否同類，則直接將這一對文檔剔除，并且添加一對新的文檔到測試集中.形式化定義如下:

式中:vi=1表示文檔對和屬于同一版本，vi=0表示其他情況.特別地，這里將為CS數(shù)據(jù)集和LSW數(shù)據(jù)集構(gòu)建的測試集簡記為TCS和TLSW.

式中:|Tε|表示事件ε的文檔對測試集的大小，⊙表示異或運算.

3.3 參數(shù)設(shè)定

本文通過檢驗參數(shù)對實驗結(jié)果的影響程度來確定參數(shù)的設(shè)定.本文提出的算法中一共包括3個參數(shù):α、β、K.

α表示的是算法第1步中濾掉高頻詞的閾值，這里指的是濾掉的高頻詞占整個數(shù)據(jù)集詞庫總數(shù)的百分比.在參數(shù)測定中，實驗中讓 α從0變化到10%，變化步長為0.01.β表示的是算法第1步中提取popular words時，每一類取的詞數(shù)，這里指的是每一類中提取的popular words數(shù)目占這一類總詞數(shù)的百分比.在參數(shù)測定中，實驗中讓β從10%變化到20%，變化步長為0.01.

通過計算Pscore值來檢驗這2個參數(shù)的變化以及它們對算法效果的影響.圖3展示了2個數(shù)據(jù)集中，不同的α和β下Pscore的值的分布.

圖3 CS和LSW中特定K下的α和β的參數(shù)設(shè)定Fig.3 α and β tuning under specific K in CS and LSW

從圖3中可以看出，得到最好的一組 αbest和βbest分別是在CS數(shù)據(jù)集中，當 α=4%和 β=15%時，得到的Pscore值最優(yōu);在LSW數(shù)據(jù)集中，當α=3%和β=13%時，得到的Pscore值最優(yōu).另外，也可以看出，當α或者β遞增時，Pscore的值先增后減.

K值表示的是LDA話題分析和K-means聚類中類別數(shù)的設(shè)定，也意味著最后得到的版本數(shù).提前設(shè)定K值是對版本數(shù)的一個預(yù)測.這里從2個方面對K值進行設(shè)定.1)讓志愿者根據(jù)一定數(shù)量的閱讀新聞報道或分析總結(jié)性的新聞報道，獲取關(guān)于這一特定事件版本信息的先驗知識，即志愿者通過大致的瀏覽分析，得到關(guān)于這一特定新聞事件版本數(shù)的模糊區(qū)間.通過第1步分析后，可以得到CS數(shù)據(jù)集和LSW數(shù)據(jù)集的版本數(shù)均在4～7種.2)同樣通過計算Pscore值來最終確定2個數(shù)據(jù)集分為幾個版本.以1為步長，讓K值在4～7變化，分別得到相應(yīng)的Pscore值，如表2所示.

表2 CS和LSW中K的參數(shù)設(shè)定Table 2 Parameter tuning of K in CS and LSW

從表2中可以看出，在數(shù)據(jù)集CS時，當K=5時，Pscore達到最優(yōu);在數(shù)據(jù)集 LSW 中，當K=4時，Pscore達到最優(yōu).

3.4 實驗結(jié)果及評價

在實驗的部分，作者將與幾種相關(guān)算法進行對比試驗，以檢驗本文提出的CDW算法的效果.相關(guān)算法研究包括:

1)K-means:根據(jù)文檔之間的相似度對文檔進行聚類;

2)LDA:根據(jù)詞的分布對文檔進行聚類;

3)DVD:基于圖模型的時間多版本發(fā)現(xiàn)算法;

4)CDW-lda:CDW算法的變種，過濾高頻詞后不進行LDA分析而直接提取popular words，再進行聚類;

5)CDW-pw:CDW算法的另一變種，LDA分析后不用原方法提取popular words，而是直接用每一類的高頻詞做popular words，再進行特征向量化和聚類.

作者在之前構(gòu)建的2個測試集TCS和TLSW上進行實驗，以比較CDW模型和其他相關(guān)算法的效果.不同算法在測試集TCS和TLSW上的Pscore值如圖4所示.

圖4 在數(shù)據(jù)集CS和LSW上的Pscore值Fig.4 Pscoreperformance comparison in pairwise test of CS and LSW

最后，用表3來展示本文的多版本發(fā)現(xiàn)結(jié)果.其中，通過本文中的CDW模型，韓國天安艦事件共有5個不同版本，中國臺灣連勝文槍擊案共有4個不同版本.從這個結(jié)果中可以看出，本文提出的多版本發(fā)現(xiàn)結(jié)果是比較準確可靠的.

表3 CDW算法對于2個事件的多版本發(fā)現(xiàn)結(jié)果Table 3 Results of CDW model for diverse versions discovery in CS and LSW

從圖4中可以看出，K-means算法和LDA話題分析在2個測試集上的表現(xiàn)都是最差的.DVD算法的結(jié)果相對較好，但是由于DVD算法只利用了詞與詞之間的層級關(guān)系，而忽略了文本信息和話題關(guān)系，所以它的結(jié)果并不如CDW算法.在CDW的3個版本中，完整的CDW算法和CDW-lda的結(jié)果要好于其他所有算法.這表明，在話題層上進行popular words的提取對于事件的多版本發(fā)現(xiàn)問題十分重要.另外，CDW算法的結(jié)果優(yōu)于CDW-lda也優(yōu)于CDW-pw，這意味著文檔集與話題的映射和映射之后popular words的提取都是十分有必要的.

4 結(jié)束語

本文提出了一種基于文本的新聞事件多版本發(fā)現(xiàn)的模型，能夠幫助讀者對某一特定新聞事件進行自動快速的多版本生成.在論文工作中發(fā)現(xiàn)，簡單的聚類方法具有很多局限性，無法將文本中不同的版本信息區(qū)分開來.為了取得更好的效果，本算法建立了話題層與文檔集合之間的映射關(guān)系，將文本集合引申到話題空間，在話題空間中對文本進行高區(qū)分度特征的提取.然后，再根據(jù)這些提取出來的特征進行文本聚類，從而得到關(guān)于某一新聞事件的多個版本.

通過在2個真實的數(shù)據(jù)集上的實驗，可以看出，與以往的相關(guān)算法相比，本文提出的方法在事件多版本發(fā)現(xiàn)的問題上具有更高的準確性和有效性.

雖然本文的算法取得了非常不錯的效果，但是還存在一些需要改進的地方.在算法中確定多版本類別數(shù)目時，算法采用的是提前設(shè)定版本數(shù)目.如果可以將自動確定類別數(shù)的相關(guān)算法應(yīng)用到多版本的發(fā)現(xiàn)問題中，那么將會產(chǎn)生更為準確的多版本結(jié)果.同時，改進最后的聚類分析方法對于提高多版本發(fā)現(xiàn)模型的準確性也將起到一定的作用.另外，本文的算法只是對事件的多版本進行生成，而沒有對生成結(jié)果做總結(jié)性概括描述.因此可以考慮加入提取摘要來完善算法，將會更具有實際應(yīng)用意義.

［1］ALLAN J.Topic detection and tracking:event-based information organization［M］.Boston:Kluwer Academic Publishers，2002:1241-1253.

［2］HE T T，QU G Z，LI S W，et al.Semi-automatic hot event detection［C］//Lecture Notes in ComputerScience.Hongkong，China，2006:1008.

［3］YU M Q，LUO W H，XU H B，et al.Research on hierarchical topic detection in topic detection and tracking［J］.Journal of Computer Research and Development，2006，43(3):489-495.

［4］邱立坤，龍志祎，鐘華，等.層次化話題發(fā)現(xiàn)與跟蹤方法及系統(tǒng)實現(xiàn)［J］.廣西師范大學(xué)學(xué)報:自然科學(xué)版，2007，25(2):157-160.

QIU Likun，LONG Zhiyi，ZHONG Hua，et al.Hierarchical topic detection and tracking and implementation of system［J］.Journal of Guangxi Normal University:Natural Science Edition，2007，25(2):157-160.

［5］CARTHY J.Lexical chains versus keywords for topic tracking［C］//Proceedings of the 5th International Conference on Intelligent Text Processing and Computational Linguistics.Seoul，Korea，2004:507-510.

［6］ALLAN J，CARBONELL J，DODDINGTON G，et al.Topic detection and tracking pilot study final report［C］//Proceedings of the DARPA Broadcasting News Transcript and Understanding Workshop.［S.l.］，1998:194-218.

［7］YANG Y，PIERCE T，CARBONELL J.A study of retrospective and on-line event detection［C］//Special Interest Group on Information Retrieval’98.Melbourne，Australia，1998:28-36.

［8］ALLAN J，PAPKA R，LAVRENKO V.On-line new event detection and tracking［C］//Special Interest Group on Information Retrieval’98.Melbourne，Australia，1998:37-45.

［9］BRANTS T，CHEN F，F(xiàn)ARAHAT A.A system for new event detection［C］//Special Interest Group on Information Retrieval’03.Toronto，Canada，2003:330-337.

［10］NALLAPATI R，F(xiàn)ENG A，PENG F，et al.Event threading within news topics［C］//International Conference on Information and Knowledge Management. Washington，DC，USA，2004:446-453.

［11］STEINBACH M，KARYPIS G，KUMAR V.A comparison of document clustering techniques［EB/OL］.［2011-05-14］.http://www.cs.cmu.edu/～ dunja/KDDpapers/Steinbach_IR.pdf.

［12］PAUL S B，USAMA M F.Refining initial points for K-means clustering［C］//Proceedings of the Fifteenth International Conference on Machine Learning.San Francisco，USA，1998:91-99.

［13］JAIN A K，MURTY M N，F(xiàn)LYNN P J.Data clustering:a review［J］.ACM Computing Surveys，1999，31(3):264-333.

［14］RYMOND T，HAN J W.Efficient and effective clustering methods for spatial data mining［C］//Proceedings of the 20th International Conference on Very Large Data Bases.Hong Kong，China，1994:144-155.

［15］KONG L，YAN R，HE Y J，et al.DVD:a model for event diversified versions discovery［C］//Asia-Pacific Web Conference’11.Beijing，China，2011:18-20.

［16］FLAKE G W，LAWRENCE S，GILES C L.Efficient identification of Web communities［C］//International Conference on Knowledge Discovery and Data Mining'00.Boston，USA，2000:160-169.

［17］ROCCHIO J.Relevance feedback in information retrieval［C］//The SMART Retrieval System:Experiments in Automatic Document Processing.Englewood Cliffs，USA，1971:313-323.

［18］DASGUPTA S，NG V.Towards subjectifying text clustering［C］//Special Inspector General for Iraq Reconstruction’10.Geneva，Switzerland，2010:483-490.

［19］DUMAIS S T，PLATT J，HECKERMAN D，et al.Inductive learning algorithms and representations for text categorization［C］//Proceedings of the Seventh International Conference on Information and Knowledge Management.New York，USA，1998:148-155.

［20］FRANZ M，WARD T，MCCARLEY J S，et al.Unsupervised and supervised clustering for topic tracking［C］//Special Inspector General for Iraq Reconstruction’01.New Orlean，USA，2001:310-317.

［21］BLEI D M，ANDREW Y NG，MICHAEL I J.Latent Dirichlet allocation［J］.The Journal of Machine Learning Research，2003(3):993-1022.

［22］WEI X，CROFT W B.LDA-based document models for ad-hoc retrieval［C］//Proceedings of the 29th Special Inspector General for Iraq Reconstruction Conference.New York，USA，2006:178-185.

［23］BHATTACHARYA I，GETOOR I.A latent Dirichlet model for unsupervised entity resolution［C］//SIAM International Conference on Data Mining.Bethesda，USA，2006:47-58.

［24］JEROME R B.A novel word clustering algorithm based on latent semantic analysis［C］//Acoustics，Speech，and Sig-nal Processing 1996.［S.l.］，1996:172-175.

［25］SUN B，SHI L，KONG L，et al.Describing web topics meticulously through word graph analysis［C］//The IEEE Conference on Instructional Technologies ’09.Xiamen，China，2009:11-14.

［26］PAGE L，BRIN S，MOTWANI R，et al.The pagerank citation ranking:bringing order to the web［C］//Proceedings of the 7th International World Wide Web Conference.Brisbane，Australia，1998:161-172.

［27］KAREN J S.A statistical interpretation of term specificity and its application in retrieval［J］.Journal of Documentation，1972，28(1):11-21.

［28］HARTIGANJ A，WONG M A.A K-means clustering algorithm［J］.Journal of the Royal Statistical Society，Series C:Applied Statistics，1979，28(1):100-108.

［29］PELLEG D，MOORE A W.X-means:extending K-means with efficient estimation of the number of clusters［C］//Proceedings of the Seventeenth International Conference on Machine Learning.Stanford，USA，2000:727-734.

［30］MACQUEEN J B.Some methods for classification and analysis of multivariate observations［C］//Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability.Berkeley:University of California Press，1967:281-297.