基于侧重点聚类的数学表达式相似度计算方法

doi:10.3778/j.issn.1002-8331.2008-0105

计算机工程与应用 ›› 2021, Vol. 57 ›› Issue (6): 88-93.DOI: 10.3778/j.issn.1002-8331.2008-0105

基于侧重点聚类的数学表达式相似度计算方法

杨芳，尹曦，司建辉，刘宏媛，汪雪

河北大学网络空间安全与计算机学院，河北保定 071002

出版日期:2021-03-15 发布日期:2021-03-12

Mathematical Expression Similarity Calculation Method Based on Focus Clustering

YANG Fang, YIN Xi, SI Jianhui, LIU Hongyuan, WANG Xue

School of Cyber Security and Computer, Hebei University, Baoding, Hebei 071002, China

Online:2021-03-15 Published:2021-03-12

摘要/Abstract

摘要：

数学表达式相似度计算在信息检索中起着重要的作用，但现有的计算方法较少考虑数学表达式侧重点对相似度计算准确度的影响。为解决该问题，提出一种基于侧重点聚类的数学表达式相似度计算方法。针对侧重点主观性强的特点，定义表达式元素映射规则，使用[K]-means++算法对数学表达式聚类，从而归纳出数学表达式所属侧重点簇；以侧重点簇为依据，使用遗传算法对相似度计算方法中相关参数进行优化调节，以加强侧重点对相似度结果的影响。对比实验表明，该方法的相似度计算性能有所提高，得到的表达式结果列表更为理想。

关键词: 数学表达式, 相似度, 聚类, 参数调节

Abstract:

Mathematical expression similarity calculation plays an important role in information retrieval, but the existing calculation methods seldom consider the impact of mathematical expression focus on similarity calculation accuracy. To solve this problem, a method for calculating the similarity of mathematical expressions based on focus clustering is proposed. Aiming at the strong subjectivity of the focus, expression element mapping rules are defined, and the [K]-means++ algorithm is used to cluster mathematical expressions based on operators, thereby summarizing the focus clusters of mathematical expressions. Based on the focus cluster, genetic algorithm is used to optimize and adjust the related parameters in the similarity calculation method to strengthen the influence of focus on the similarity results. The comparative experiments show that the similarity calculation performance of this method is improved, and the expression result list obtained is more ideal.

Key words: mathematical expressions, similarity, clustering, parameter adjustment

杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.

YANG Fang, YIN Xi, SI Jianhui, LIU Hongyuan, WANG Xue. Mathematical Expression Similarity Calculation Method Based on Focus Clustering[J]. Computer Engineering and Applications, 2021, 57(6): 88-93.

[1]	张岐山，陈露露. 基于均衡接近度灰关联的Slope One算法[J]. 计算机工程与应用, 2021, 57(9): 96-102.
[2]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[3]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[4]	张晓闻，任勇峰. 结合稀疏表示与拓扑相似性的图像匹配算法[J]. 计算机工程与应用, 2021, 57(8): 198-203.
[5]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[6]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[7]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[8]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[9]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[10]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[11]	钱芸芸，杨文忠，姚苗，李海磊，柴亚闯. 融合主题相似度权重的主题社区发现模型[J]. 计算机工程与应用, 2021, 57(5): 107-114.
[12]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[13]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[14]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[15]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.

基于侧重点聚类的数学表达式相似度计算方法

Mathematical Expression Similarity Calculation Method Based on Focus Clustering

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics