Кластеризация статей на основе семантического сходства

Abstract

Кластеризация документов, как правило, представляет первый шаг тематической идентификации. Поскольку многие методы кластеризации основаны на сходствах между документами, то важно создать представления таких документов с максимальным сохранением их семантики и соответствия эффективному подсчету сходства. Как описывается в Трудах 15-й конференции Международного общества по наукометрии и информетрии [1], метаданные статей в массиве Astro соотносятся с семантической матрицей, использующей векторное пространство для охвата семантики показателей, взятых из этих статей, и впоследствии поддерживающей изучение этих единиц в контексте Малой Ариадны (LittleAriadne). Однако эта семантическая матрица не предполагает подсчет прямых сходств между статьями. В статье подробно описывается формирование семантического представления статьи из единиц связанных с ней. Основываясь на таких семантических представлениях статей, применяются два стандартных метода кластеризации, а именно алгоритм K- Means и алгоритм выявления сообществ, разработанный в Лёвенском университете, определившие два наших решения, далее именуемые OCLC-31 (подразумевая K-Means) и OCLC-Louvain (предполагая Louvain). Также дается подробное описание механизма внедрения и базового сравнения с другими решениями, имеющимися в кластеризации, которым посвящен специальный выпуск журнала Scientometrics, Special Issue of Scientometrics (2017).