1 文本聚类研究现状
1 文本聚类研究现状
Internet 已经发展为当今世界上最大的信息库和全球范围内传播信息最主要的渠道。随着Internet 的大规模普及和企业信息化程度的提高，各种资源呈爆炸式增长。在中国互联网络信息中心(CNNIC)2007 年 1 月最新公布的中国互联网络发展状况统计报告中显示，70.2% 的网络信息均以文本形式体现。对于这种半结构或无结构化数据，如何从中获取特定内容的信息和知识成为摆在人们面前的一道难题。近年来，文本挖掘、信息过滤和信息检索等方面的研究出现了前所未有的高潮。
作为一种无监督的机器学习方法，聚类技术可以将大量文本信息组成少数有意义的簇，并提供导航或浏览机制。
文本聚类的主要应用点包括：
(1) 文本聚类可以作为多文档自动文摘等自然语言处理应用的预处理步骤。其中比较典型的例子是哥伦比亚大学开发的多文档自动文摘系统Newsblaster[1] 。该系统将新闻进行
聚类处理，并对同主题文档进行冗余消除、信息融合、文本生成等处理，从而生成一篇简明扼要的摘要文档。
(2) 对搜索引擎返回的结果进行聚类，使用户迅速定位到所需要的信息。比较典型的系统有Infonetware Real Term Search 。Infonetware 具有强大的对搜索结果进行主题分类的功能。另外，由Carrot Search 开发的基于Java 的开源Carrot2 搜索结果聚合聚类引擎2.0 版也是这方面的利用，Carrot2 可以自动把自然的搜索结果归类( 聚合聚类) 到相应的语义类别中，提供基于层级的、同义的以及标签过滤的功能。
(3) 改善文本分类的结果，如俄亥俄州立大学的Y.C.Fang 等人的工作[2] 。
(4) 文档集合的自动整理。如Scatter/Gather[3] ，它是一个基于聚类的文档浏览系统。
2 文本聚类过程
文本聚类主要依据聚类假设：同类的文档相似度较大，非同类的文档相似度较小。作为一种无监督的机器学习方法，聚类由于不需要训练过程、以及不需要预先对文档手工标注类别，因此具有较高的灵活性和自动化处理能力，成为对文本信息进行有效组织、摘要和导航的重要手段。文本聚类的具体过程如图 1 所示。
图 1 文本聚类过程
2.1 文本信息的预处理
文本聚类的首要问题是如何将文本内容表示成为数学上可分析处理的形式，即建立文本特
征，以一定的特征项( 如词条或描述) 来代表目标文本信息。要建立文本信息的文本特征，常用的方法是：对文本信息进行预处理( 词性标注、语义标注) ，构建统计词典，对文本进行词条切分，完成文本信息的分词过程。
2.2 文本信息特征的建立
文本信息的特征表示模型有多种，常用的有布尔逻辑型、向量空间型、概率型以及混合型等。其中，向量空间模型(V ector Space Model,VSM) 是近几年来应用较多且效果较好的方法之一[4] 。1969 年，Gerard Salton 提出了向量空间模型VSM ，它是文档表示的一个统计模型。该模型的主要思想是：将每一文档都映射为由一组规范化正交词条矢量张成的向量空间中的一个点。对于所有的文档类和未知文档，都可以用此空间中的词条向量（T1 ,W 1 ,T 2 ,W2 ,…, Tn , Wn ）来表示( 其中，Ti 为特征向量词条；Wi 为Ti 的权重)[5] 。一般需要构造一个评价函数来表示词条权重，其计算的唯一准则就是要最大限度地区别不同文档。这种向量空间模型的表示方法最大的优点在于将非结构化和半结构化的文本表示为向量形式，使得各种数学处理成为可能。
2.3 文本信息特征集的缩减
VSM 将文本内容表示成数学上可分析处理的形式，但是存在的一个问题是文档特征向量具有惊人的维数。因此，在对文本进行聚类处理之前，应对文本信息特征集进行缩减。通常的方法是针对每个特征词条的权重排序，选取预定数目的最佳特征作为结果的特征子集。选取的数目以及采用的评价函数都要针对具体问题来分析决定。
降低文本特征向量维数的另一个方法是采用向量的稀疏表示方法。虽然文本信息特征集的向量维数非常大，但是对于单个文档，绝大多数向量元素都为零，这一特征也决定了单个文档的向量表示将是一个稀疏向量。为了节省内存占用空间，同时加快聚类处理速度，可以采用向量的稀疏表示方法。假设确定的特征向量词条的个数为n ，传统的表示方法为而（T1 ,W 1 ,T 2 ,W2 ,…, Tn , Wn ）稀疏表示方法为(D 1 ,W1 ,D2 ,W2 ,Dp ,…,Wp , n)(Wi ≠0) 。其中，Di 为权重不为零的特征向量词条；Wi 为其相应权重；n 为向量维度。这种表示方式大大减小了内存占用，提升了聚类效率，但是由于每个文本特征向量维数不一致，一定程度上增加了数学处理的难度。
2.4 文本聚类
在将文本内容表示成数学上可分析处理的形式后，接下来的工作就是在此数学形式的基础上，对文本进行聚类处理。文本聚类主要有 2 种方法：基于概率[6] 和基于距离[7] 。基于概率的方法以贝叶斯概率理论为基础，用概率的分布方式描述聚类结果。基于距离的方法，就是以特征向量表示文档，将文档看成向量空间中的一个点，通过计算点之间的距离进行聚类。
目前，基于距离的文本聚类比较成熟的方法大致可以分为 2 种类型：层次凝聚法和平面划分法。
对于给定的文件集合 D ={d1 , d 2 ,…,di ,…, dn } ，层次凝聚法的具体过程如下：
(1) 将D 中的每个文件di看成一个具有单个成员的簇ci ={di } ，这些簇构成了D 的一个聚类C={c1 ,c2 ,…,ci ,…,cn };
(2) 计算C 中每对簇(ci ,cj ) 之间的相似度sim{ ci ,cj } ；
(3) 选取具有最大相似度的簇对(ci ,cj ) 将ci 和cj 合并为一个新的簇ck =sim ci ∪cj ，从而构成了 D 的一个新的聚类C =(c1 , c 2 ,…,cn-1 );
(4) 重复上述步骤，直至 C 中剩下一个簇为止。该过程构造出一棵生成树，其中包含了簇的层次信息以及所有簇内和簇间的相似度。对于给定的文件集合{}
D ={d1 , d2 ,…,di ,…, dn } ，平面划分法的具体过程如下：
(1) 确定要生成簇的数目k ；
(2) 按照某种原则生成k 个聚类中心作为聚类的种子S=(s1 ,s2 ,…,si ,…,sk );
(3) 对D 中的每个文件di，依次计算它与各个种子sj 的相似度sim (di ,sj );
(4) 选取具有最大相似度的种子，将di 归入以sj 为聚类中心的簇cj ，从而得到 D 的一个聚类 C ={ci ,cj }
(5) 重复此步骤若干次，以得到较为稳定的聚类结果。这 2 种类型各有优缺点。层次凝聚法能够生成层次化的嵌套簇，准确度较高。但在每次合并时，需要全局地比较所有簇之间的相似度，并选出最佳的 2 个簇，因此执行速度较慢，不适合大量文件的集合。而平面划分法相对来说速度较快，但是必须事先确定k 的取值，且种子选取的好坏对群集结果有较大影响。
综合考虑这 2 种聚类类型的优缺点，本文提出了一种基于向量空间模型的文本聚类的改进方法——LP 算法。具体过程如下：
对于给定的文件集合 D ={d1 , d 2 ,…,di ,…, dn }:
(1) 将D 中的每个文件di看作是一个具有单个成员的簇ci ={di } ；
(2) 任选其中一单个成员簇ci 作为聚类的起点；
(3) 在其余未聚类的样本中，找到与ci 距离满足条件的dj ( 可以是与ci 距离最近的点，即相似度sim (c i ,dj ) 最大的dj ，也可以是与ci距离不超过阈值d 的点，即相似度sim (ci ,dj ) ≥d 的任意dj ) 。将dj 归入ci 形成一个新的簇ck =sim ci ∪dj ;
(4) 重复步骤(3) ，直至与ci 距离最近的dk 与ci之间的距离超过阈值 d ，此时认为已
经聚完了一类；
(5) 选择一个未聚类的单个成员簇，重复步骤(3) 和步骤(4) ，开始新的一轮聚类，直至所有的单个成员簇ci 都参与了聚类。
LP 算法不需要比较所有簇之间的相似度，执行速度较快，适合大量文件的集合，实用性更高。同时，在聚类过程中不需要事先确定k 的取值，降低了与领域知识的依赖性，提高了灵活性。
3 实验设计
本文采用搜狐研发中心搜狗实验室的互联网语料链接关系库SOGOU-T 。该关系库提供了一个大规模互联网链接关系对应表，用于验证各种链接关系分析算法的有效性与可行性。语料关系库中的数据分为10 大类(C000007 汽车，C000008 财经，C000010 IT ，C000013 健康，C000014 体育，C000016 旅游，C000020 教育，C000022 招聘，C000023 文化，C000024 军事) 。语料关系库可供下载的共有 3 个版本：Mini 版，精简版，完整版。本文使用前 2 个版本进行实验。语料库的组织方式如下：为10 个大类各建立1 个文件夹，在每个文件夹中，每 1 份语料自成1 个.txt 文件。
实验过程如下：
(1) 将所有文件夹下的.txt 文件随机连结成一个大的完整文件，同时保留.txt 文件的所属类别( 本实验保留了类别的最后2 位：07,08, …) 。
(2) 采用中国科学院计算技术研究所数字化室& 软件室发布的中文自然语言处理开放平台汉语词法分析系统ICTCLAS 。利用ICTCLAS_Win ，将(1) 中的文件进行一级标注的词语切分。
(3) 统计标注好的切分词语的词频。
(4) 按照权重( 词频) 的大小整理切分词语，并保留权重超过一定限定值( 阈值) 的特征项。( 本实验保留了词频大于100 的词语作为特征项) 同时，根据汉语的特点，在实验中设计了 2 种情况，以分析比较词性对于聚类效果的影响：
1) 所有类型的词语都参与聚类；
2) 只保留被标注为名词的词语。
(5) 根据(4) 中确定的切分词语构造空间向量的基向量，同时确定空间向量的维数等参数。
(6) 将语料库中的每一份语料文件(.txt 文件) 都表示为一个空间向量。在实验过程中，采用了如下 2 种表示方法：
1) 传统的空间向量表示方法：(T 1 ,W 1 ,T2 , W2 ,…, T n ,Wn ) ；
2) 稀疏的空间向量表示方法：(D 1 ,W 1 ,D2 , W2 ,…,D p ,Wp ,n) 。
(7) 聚类：聚类过程是实验的重点，也是目标所在。
1) 在开始聚类前，首先对(6) 中已经表示好的文本空间向量做归一化处理。向量归一化在模式识别中是很重要的一环，其目的是把事件的统计分布概率统一归纳在0-1 灰色聚类的隶属性上，这样，聚类过程对于每一个空间向量的敏感度都是一样的。
传统空间向量：
,
其中:
;
稀疏空间向量：
其中
2) 在实验中，采用欧几里德距离来表示任意2 个文本向量之间的距离。
稀疏空间向量：计算方法与传统空间向量类似，计算相同词条之间距离平方和的算术平方根。
3)LP 算法要求预先确定阈值。实验中，采取的阈值策略是：制定初始阈值( 即针对单个成员簇的阈值，此阈值根据实验效果多次调整) ，当 2 个簇合并为1 个簇时，新簇的阈值由合并算法根据被合并簇的聚类特征求出。
2 个簇进行合并，其特征向量分别为X=(T1 ,x1 ,T 2 ,x2 ,…,Tn ,Xn ),Y=(T1 ,y1 , T2 , y 2 ,…,Tn , yn ) ，则组成的新簇的特征向量为
合并定理：假定对 2 个簇进行合并，合并后的簇的阈值表示为
其中，dist 指 2 个特征向量之间的距离。
4 数据分析
实验中对于本文提到的 3 种聚类方式都有涉及，对于它们的优劣在实验层面上做了研究比对。
A：所有类型的词语都用于构建空间向量；
B ：只采用名词构建空间向量；
C ：采用传统的空间向量表示方法；
D ：采用稀疏的空间向量表示方法。
Mini 版(SogouC.mini.20061102) ：共100 篇文档，每个类别10 篇。
精简版(SogouC.reduced.20061102) ：共10 020 篇文档，每个类别1 002 篇。
表 1 是实验结果。其中，t(time) 表示聚类消耗时间，单位为ms ；a(accuracy) 表示聚类准确度。聚类消耗的时间依赖于执行的具体状况，因而有一定的差异。表中所取的数据是排除突变数据( 即坏数据) 之后，多次实验结果的平均值。
表 1 聚类实验效果
对实验结果进行分析，可以总结出以下 5 点：
(1) 对于精简版的聚类， 3 种方法的效果都优于Mini 版。这是因为，精简版的基础数据量较大，个别的突变数据对于聚类效果的影响就相对较小。
(2) 采用稀疏向量表示法之后，聚类的时间消耗减少了约4/5 ，表明对于高维向量采用其稀疏表示可以有效地节省内存占用空间，加快聚类处理速度。
(3) 相较于层次聚类，LP 算法在时间消耗上下降了约30% ，因此，对于数据量较大，实时性要求较高的场合，由于有效地减少了消耗时间，LP 算法还是显示出了它的优势。
(4) 相较于平面划分法，LP 算法在聚类的准确性上提高了11%~13% ，达到了77%~83% ，从而保证了聚类的准确度在可接受的范围之内。
(5) 本次实验中，LP 算法在聚类准确性上略逊于层次法，笔者认为这主要是因为：层次法的主要思想是全局最优，每次聚为一个簇的 2 个成员之间的相似度都是最大的，而在LP 算法中，决定将 2 个成员归为一类的唯一衡量就是阈值d 。阈值选取的好坏对于实验效果的影响非常大。因此，如何选取阈值的初始值以及在聚类过程中如何动态地调整阈值是下一步的主要工作。
5 结束语
文本聚类在文本模式识别中占有重要的地位，这也是本文研究的价值所在。本文分析了基于距离的文本聚类中比较成熟的 2 种方法：层次凝聚法和平面划分法，并提出了一种改进方法LP 。从实验效果上看，LP 算法速度更快，灵活性也更高。在后续的工作中，还将进一步在实验的基础上对算法进行反复修正和拓展
论文关键词：数据挖掘；聚类算法；聚类分析论文摘要：该文详细阐述了数据挖掘领域的常用聚类算法及改进算法，并比较分析了其优缺点，提出了数据挖掘对聚类的典型要求，指出各自的特点，以便于人们更快、更容易地选择一种聚类算法解决特定问题和对聚类算法作进一步的研究。并给出了相应的算法评价标准、改进建议和聚类分析研究的热点、难点。上述工作将为聚类分析和数据挖掘等研究提供有益的参考。 1 引言随着经济社会和科学技术的高速发展，各行各业积累的数据量急剧增长，如何从海量的数据中提取有用的信息成为当务之急。聚类是将数据划分成群组的过程，即把数据对象分成多个类或簇，在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别较大。它对未知数据的划分和分析起着非常有效的作用。通过聚类，能够识别密集和稀疏的区域，发现全局的分布模式，以及数据属性之间的相互关系等。为了找到效率高、通用性强的聚类方法人们从不同角度提出了许多种聚类算法，一般可分为基于层次的，基于划分的，基于密度的，基于网格的和基于模型的五大类。 2 数据挖掘对聚类算法的要求(1)可兼容性：要求聚类算法能够适应并处理属性不同类型的数据。(2)可伸缩性：要求聚类算法对大型数据集和小数据集都适用。(3)对用户专业知识要求最小化。(4)对数据类别簇的包容性：即聚类算法不仅能在用基本几何形式表达的数据上运行得很好，还要在以其他更高维度形式表现的数据上同样也能实现。(5)能有效识别并处理数据库的大量数据中普遍包含的异常值，空缺值或错误的不符合现实的数据。(6)聚类结果既要满足特定约束条件，又要具有良好聚类特性，且不丢失数据的真实信息。(7)可读性和可视性：能利用各种属性如颜色等以直观形式向用户显示数据挖掘的结果。(8)处理噪声数据的能力。(9)算法能否与输入顺序无关。 3 各种聚类算法介绍随着人们对数据挖掘的深入研究和了解，各种聚类算法的改进算法也相继提出，很多新算法在前人提出的算法中做了某些方面的提高和改进，且很多算法是有针对性地为特定的领域而设计。某些算法可能对某类数据在可行性、效率、精度或简单性上具有一定的优越性，但对其它类型的数据或在其他领域应用中则不一定还有优势。所以，我们必须清楚地了解各种算法的优缺点和应用范围，根据实际问题选择合适的算法。 3.1 基于层次的聚类算法基于层次的聚类算法对给定数据对象进行层次上的分解，可分为凝聚算法和分裂算法。 (1)自底向上的凝聚聚类方法。这种策略是以数据对象作为原子类，然后将这些原子类进行聚合。逐步聚合成越来越大的类，直到满足终止条件。凝聚算法的过程为：在初始时，每一个成员都组成一个单独的簇，在以后的迭代过程中，再把那些相互邻近的簇合并成一个簇，直到所有的成员组成一个簇为止。其时间和空间复杂性均为O(n2)。通过凝聚式的方法将两簇合并后，无法再将其分离到之前的状态。在凝聚聚类时，选择合适的类的个数和画出原始数据的图像很重要。 [!--empirenews.page--] (2)自顶向下分裂聚类方法。与凝聚法相反，该法先将所有对象置于一个簇中，然后逐渐细分为越来越小的簇，直到每个对象自成一簇，或者达到了某个终结条件。其主要思想是将那些成员之间不是非常紧密的簇进行分裂。跟凝聚式方法的方向相反，从一个簇出发，一步一步细化。它的优点在于研究者可以把注意力集中在数据的结构上面。一般情况下不使用分裂型方法，因为在较高的层很难进行正确的拆分。 3.2 基于密度的聚类算法很多算法都使用距离来描述数据之间的相似性，但对于非凸数据集，只用距离来描述是不够的。此时可用密度来取代距离描述相似性，即基于密度的聚类算法。它不是基于各种各样的距离，所以能克服基于距离的算法只能发现“类圆形”的聚类的缺点。其指导思想是：只要一个区域中的点的密度（对象或数据点的数目）大过某个阈值，就把它加到与之相近的聚类中去。该法从数据对象的分布密度出发，把密度足够大的区域连接起来，从而可发现任意形状的簇，并可用来过滤“噪声”数据。常见算法有DBSCAN，DENCLUE 等。[1][2][3]下一页 3.3 基于划分的聚类算法给定一个N个对象的元组或数据库，根据给定要创建的划分的数目k，将数据划分为k个组，每个组表示一个簇类（<=N）时满足如下两点：(1)每个组至少包含一个对象；(2)每个对
内容分析法与文本分析法比较研究 引自https://www.doczj.com/doc/255359394.html,/blog/cns!3FFF8F6E2EEA6EDF!288.entry 内容分析法与文本分析法都是对用文字、图形、符号、声频、视频等纪录保存下来的资料内容作为分析的对象，在传播学的研究方法中，两者分属于定量分析与定质分析。虽然两者分析的对象有所关联，甚至重叠，但由于两者采用了不同的分析处理方法，因此，两者有所区别。如何正确认识两种方法的本质、相互关系以及两者整合应用的可能性，将是本文力图探究的问题。 一、概念 传播学家伯纳德·贝雷尔森曾于1952年发表的具有权威性的著作《内容分析：传播研究的一种工具》中，对内容分析法定义：“一种对具有明确特征的传播内容进行的客观、系统和定量的描述的研究技术”。 笔者对文本分析法如下定义：“按某一研究课题的需要，对一系列相关文本进行比较、分析、综合，从中提炼出评述性的说明”。 二、相似性 客观、系统以及非接触性的特征描述，不仅适用于内容分析法，对文本分析法也同样适用。 1、客观 用事实以及数据说话，是两者客观性的主要表现。所分析的对象，对于内容分析法来讲，是有明确特征的传播内容；对文本分析法来讲，则是十分显著的文本外部特征。它们都从不凭空推测分析对象背后可能含义，而依赖于固有的分析程序来得出结论；一旦研究目的与范围确定，就要尽量排除认为因素的影响，做到客观、无偏向。 2、系统 一般而言，内容分析与文本分析的对象都是大量的、系统化的、具有一定历时性的文献；都要面对如何确定调查范围和取样的问题。系统化调查取样是分析的基本前提，必须有足够的数据来克服可能出现的随机偏差。除语言符号分析等特殊情形之外，单个的、少量的文献通常不能作为分析的依据。 3、非接触性 内容分析与文本分析都是通过对二手资料进行的间接、非接触式的研究方法，这一点与社会调查、访谈、实验等研究方法有着根本的差异。 4、主观参与性 尽管两者都是基于事实进行分析，在内容分析法的运用中，由于作为关键的类目体系十分不稳定、不系统，经常因研究者及研究目的的不同而改变，这一过程的是相当主观的、人为的、定性的过程；文本分析法更因研究者为自身价值观念、政治立场、知识构架、认知体验所影响，而对文本中各种符号的“所指”得出不同结论。相对的主观性是两者不可避免的。 5、目的
目录 1 概念及应用背景 (1) 1.1概念 (1) 1.2应用背景................................................................................... 错误！未定义书签。 2 系统设计框架..................................................................................... 错误！未定义书签。 2.1总体框架................................................................................... 错误！未定义书签。 2.2文本聚类的具体过程 (1) 3应用程序具体实现及说明 (3) 3.1获取文档的输入....................................................................... 错误！未定义书签。 3.2提取文档的TF/IDF权重 (3) 3.3 k-means进行数据聚类 (4) 4 实验结果及分析................................................................................. 错误！未定义书签。 4.1实验结果................................................................................... 错误！未定义书签。 4.2结果分析................................................................................... 错误！未定义书签。5结论...................................................................................................... 错误！未定义书签。 5.1实验结论................................................................................... 错误！未定义书签。 5.2个人感受................................................................................... 错误！未定义书签。附录：项目框架和主程序代码............................................................. 错误！未定义书签。
K-means聚类算法研究综述 摘要:总结评述了K-means聚类算法的研究现状，指出K-means聚类算法是一个NP难优化问题，无法获得全局最优。介绍了K-means聚类算法的目标函数，算法流程，并列举了一个实例，指出了数据子集的数目K，初始聚类中心选取，相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法，指出了K-means 聚类的进一步研究方向。 关键词：K-means聚类算法；NP难优化问题；数据子集的数目K；初始聚类中心选取；相似性度量和距离矩阵 Review of K-means clustering algorithm Abstract: K-means clustering algorithm is reviewed. K-means clustering algorithm is a NP hard optimal problem and global optimal result cannot be reached. The goal，main steps and example of K-means clustering algorithm are introduced. K-means algorithm requires three user-specified parameters: number of clusters K，cluster initialization，and distance metric. Problems and improvement of K-means clustering algorithm are summarized then. Further study directions of K-means clustering algorithm are pointed at last. Key words: K-means clustering algorithm; NP hard optimal problem; number of clusters K; cluster initialization; distance metric K-means聚类算法是由Steinhaus1955年、Lloyed1957年、Ball & Hall1965年、McQueen1967年分别在各自的不同的科学研究领域独立的提出。K-means聚类算法被提出来后，在不同的学科领域被广泛研究和应用，并发展出大量不同的改进算法。虽然K-means聚类算法被提出已经超过50年了，但目前仍然是应用最广泛的划分聚类算法之一[1]。容易实施、简单、高效、成功的应用案例和经验是其仍然流行的主要原因。 文中总结评述了K-means聚类算法的研究现状，指出K-means聚类算法是一个NP难优化问题，无法获得全局最优。介绍了K-means聚类算法的目标函数、算法流程，并列举了一个实例，指出了数据子集的数目K、初始聚类中心选取、相似性度量和距离矩阵为K-means聚类算法的3个基本参数。总结了K-means聚类算法存在的问题及其改进算法，指出了K-means聚类的进一步研究方向。 1经典K-means聚类算法简介 1.1K-means聚类算法的目标函数 对于给定的一个包含n个d维数据点的数据集 12 {x,x,,x,,x} i n X=??????，其中d i x R ∈，以及要生成的数据子集的数目K，K-means聚类算法将数据对象组织为 K个划分{c,i1,2,} k C K ==???。每个划分代表一个类c k，每个类c k有一个类别中心iμ。选取欧氏距离作为相似性和 距离判断准则，计算该类内各点到聚类中心 i μ的距离平方和 2 (c) i i k i k x C J xμ ∈ =- ∑（1） 聚类目标是使各类总的距离平方和 1 (C)(c) K k k J J = =∑最小。 22 1111 (C)(c) i i K K K n k i k ki i k k k x C k i J J x d x μμ ==∈== ==-=- ∑∑∑∑∑ （2）其中， 1 i i ki i i x c d x c ∈ ? =? ? ? 若 若 ，显然，根据最小二乘 法和拉格朗日原理，聚类中心 k μ应该取为类别 k c类各数据点的平均值。 K-means聚类算法从一个初始的K类别划分开始，然
文本情感分析综述? 赵妍妍+, 秦兵, 刘挺 (哈尔滨工业大学计算机科学与技术学院信息检索研究中心, 黑龙江哈尔滨 150001) A Survey of Sentiment Analysis * ZHAO Yan-Yan+, QIN Bing, LIU Ting (School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150001, China) + Corresponding author: Phn: +86-451-86413683 ext 800, E-mail: zyy@https://www.doczj.com/doc/255359394.html, Abstract: Sentiment analysis is a novel research topic with the quick development of online reviews, which has drawn interesting attention due to its research value and extensive applications. This paper surveys the state-of-the-art research on sentiment analysis. First, three important tasks of sentiment analysis are summarized and analyzed in detail, including sentiment extraction, sentiment classification, sentiment retrieval and summarization; then the evaluation and corpus for sentiment analysis are introduced; finally the applications of sentiment analysis are concluded. This paper aims to take a deep insight into the mainstream methods and recent progress in this field, making detailed comparison and analysis. It is expected to be helpful to the future research. Key words: sentiment analysis; sentiment extraction; sentiment classification; sentiment retrieval and summarization; evaluation; corpus 摘 要: 文本情感分析是随着网络评论的海量增长而迅速兴起的一个新兴研究课题,其研究价值和应用价值受到人们越来越多的重视.本文对文本情感分析的研究现状与进展进行了总结.首先将文本情感分析归纳为三项主要任务,即情感信息抽取,情感信息分类以及情感信息的检索与归纳,并对它们进行了细致的介绍和分析;进而介绍了文本情感分析的国内外评测和资源建设情况;最后介绍了文本情感分析的应用.文本重在对文本情感分析研究的主流方法和前沿进展进行概括,比较和分析,以期对后续研究有所助益. 关键词: 文本情感分析;情感信息抽取;情感信息分类;情感信息的检索与归纳;评测;资源建设 中图法分类号: TP391文献标识码: A 随着Web2.0的蓬勃发展,互联网逐渐倡导“以用户为中心,用户参与”的开放式构架理念.互联网用户由单纯的“读”网页,开始向“写”网页、“共同建设”互联网发展,并由被动地接收互联网信息向主动创造互联网信息迈进.因此,互联网(如:博客和论坛)上产生了大量的用户参与的,对于诸如人物、事件、产品等有价值的评论信息.这些评论信息表达了人们的各种情感色彩和情感倾向性,如“喜”、“怒”、“哀”、“乐”,和“批评”、“赞扬”等.基于此,潜在的用户就可以通过浏览这些主观色彩的评论,来了解大众舆论对于某一事件或产品的看法.由于越来越多的用户乐于在互联网上分享自己的观点或体验,这类评论信息迅速膨胀,仅靠人工的方法难以应对网上海量信 ?Supported by the National Natural Science Foundation of China under Grant Nos. 60803093, 60975055 (国家自然科学基金) and the “863” National High-Tech Research and Development of China via grant 2008AA01Z144(863计划探索类专题项目)
最大距离法选取初始簇中心的K-means文本聚类算法的研究 的评论 背景 随着计算机技术和网络技术的飞速发展，人们的生活方式产生了极大的改变。计算机从一个有几个房子大小的巨无霸，已经变成了小巧的笔记本。网络设备也已经从PC端走向移动端。越来越丰富的网络设备，让人们能在网络里畅游，网络对于人们来说触手可及，同时也产生了巨大的数据流量。人们如何从海量的数据中找到有用的信息，成为了现在计算机学科的研究热点。聚类是数据挖掘中重要的一支。由于聚类具有无需先验知识的优势，可以根据数据自然分部而获取知识。聚类成为数据挖掘领域一个非常活跃的领域，而且得到了广泛的应用。聚类就是把一个数据集合分成几个簇，在同一个簇里，数据相关性最高，但是在2个不同的簇里，数据相关性最低。K-means聚类算法主要针对处理大数据集时，处理快速简单，并且算法具有高效性和可伸缩性。但是，K-means聚类算法随机的选择初始簇中心会导致以下缺点：（1）得到的聚类结果中容易出现局部最优，而不是全局最优；（2）聚类结果不具有稳定性，很大程度上依赖于初始簇中心；（3）聚类过程中的迭代次数增加使聚类过程中的总耗时增加。 传统的k-means聚类算法 传统的聚类算法思想：首先从N个数据对象集合中随机选择k个对象，然后计算剩余的N-k个对象与k个对象的距离（相似度），与k个对象中哪个对象的距离最小，就把分给那个对象；然后在计算每个簇中的簇中心，即是每个簇中对象的均值；不断重复这一过程步骤，直到标准测度函数E开始收敛为止。 K-means算法描述如下： 输入：迭代终止条件ε，最大的迭代次数为max，簇的总数目是k，样本集有N个数据对象。 输出：满足迭代终止条件的k个簇和迭代次数s。 随机初始化k个簇中心： 对每个数据对象，分别计算该对象与k个簇中心均值的距离，并选择距离最小的簇将该对象加个到该簇里； 重新计算k个簇的中心，利用函数E计算出此时的函数值； 如果带到最大迭代次数或满足：
1 文本聚类研究现状 1 文本聚类研究现状 Internet 已经发展为当今世界上最大的信息库和全球范围内传播信息最主要的渠道。随着Internet 的大规模普及和企业信息化程度的提高，各种资源呈爆炸式增长。在中国互联网络信息中心(CNNIC)2007 年 1 月最新公布的中国互联网络发展状况统计报告中显示，70.2% 的网络信息均以文本形式体现。对于这种半结构或无结构化数据，如何从中获取特定内容的信息和知识成为摆在人们面前的一道难题。近年来，文本挖掘、信息过滤和信息检索等方面的研究出现了前所未有的高潮。 作为一种无监督的机器学习方法，聚类技术可以将大量文本信息组成少数有意义的簇，并提供导航或浏览机制。 文本聚类的主要应用点包括： (1) 文本聚类可以作为多文档自动文摘等自然语言处理应用的预处理步骤。其中比较典型的例子是哥伦比亚大学开发的多文档自动文摘系统Newsblaster[1] 。该系统将新闻进行 聚类处理，并对同主题文档进行冗余消除、信息融合、文本生成等处理，从而生成一篇简明扼要的摘要文档。 (2) 对搜索引擎返回的结果进行聚类，使用户迅速定位到所需要的信息。比较典型的系统有Infonetware Real Term Search 。Infonetware 具有强大的对搜索结果进行主题分类的功能。另外，由Carrot Search 开发的基于Java 的开源Carrot2 搜索结果聚合聚类引擎2.0 版也是这方面的利用，Carrot2 可以自动把自然的搜索结果归类( 聚合聚类) 到相应的语义类别中，提供基于层级的、同义的以及标签过滤的功能。 (3) 改善文本分类的结果，如俄亥俄州立大学的Y.C.Fang 等人的工作[2] 。 (4) 文档集合的自动整理。如Scatter/Gather[3] ，它是一个基于聚类的文档浏览系统。 2 文本聚类过程 文本聚类主要依据聚类假设：同类的文档相似度较大，非同类的文档相似度较小。作为一种无监督的机器学习方法，聚类由于不需要训练过程、以及不需要预先对文档手工标注类别，因此具有较高的灵活性和自动化处理能力，成为对文本信息进行有效组织、摘要和导航的重要手段。文本聚类的具体过程如图 1 所示。 图 1 文本聚类过程 2.1 文本信息的预处理 文本聚类的首要问题是如何将文本内容表示成为数学上可分析处理的形式，即建立文本特
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910297074.9 (22)申请日 2019.04.15 (71)申请人 中国石油大学（华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 席永轲 白婷婷 王宇辰 白振宇 曹帅 张孝苗 孙玉强 刘昕 (51)Int.Cl. G06F 16/35(2019.01) G06F 17/27(2006.01) (54)发明名称一种多层次文本聚类方法和装置(57)摘要本发明实施例提供了一种多层次文本聚类方法和装置，该方法可以在多个层次对文本数据进行不同粒度的聚类。对所获取的文本数据进行数据预处理操作后根据范化数据的不同特征以及在数据表中所属的不同类别，将规范化后数据分为全部数据即最广义层次、子级分类层次、自定义分类层次等是三个不同层次，然后采用Word2vec进行文本词向量的训练，基于文本词向量训练结果得到一条文本数据的二维坐标作为一个数据节点的坐标，通过计算所有数据节点的相对距离，并根据不同的数据量，动态更新算法截断距离，最终通过计算每个数据节点的局部密度与相对距离确，保存聚类结果并生成数据可视化图聚类中心，并根据各个聚类中心，将不同数 据聚为一类。权利要求书1页 说明书3页 附图2页CN 110196907 A 2019.09.03 C N 110196907 A
权 利 要 求 书1/1页CN 110196907 A 1.一种多层次文本聚类方法和装置，包括以下步骤： A.基于所获取的原始数据进行数据预处理操作，主要包括数据分词、去停用词、数据规范化等操作。 B.根据规范化数据的不同特征以及在数据表中所属的不同类别，使用不同的类别判别方式对数据进行划分，可将规范化后数据分为全部数据即最广义层次、子级分类层次、自定义分类层次等是三个不同层次，并根据不同的类别层次执行不同聚类操作。 C.基于不同层次的文本数据，采用Word2vec进行文本词向量的训练，将文本内容处理为二维并在空间标识。 D.基于词向量训练结果，将每条文本数据的关键词抽取结果与词向量结合，将关键词对应的词向量坐标求和，得到一条文本数据的二维坐标作为一个数据节点的坐标。 E.通过计算所有数据节点的相对距离，并根据不同的数据量，动态更新算法截断距离。然后通过计算每个数据节点的局部密度与相对距离确定各个聚类中心，并根据各个聚类中心，将不同数据聚为一类，保存聚类结果并生成数据可视化图。 2.根据权利要求1所述的一种多层次文本聚类方法和装置，其特征在于，所述的步骤A 中，数据分词是把连续的汉字序列划分成一系列单独的词语，之后将词语作为文本数据的基本单位；去停用词就是把分词结果中的一些虚词和禁用词去除；数据规范化是指将数据已有的类别进行标记，便于后期高效多层次聚类。 3.根据权利要求1所述的一种多层次文本聚类方法和装置，其特征在于，所述的步骤B 中，根据不同的数据形式，使用不同的方式对数据进行划分，共有以下几种形式： i.将所有数据归为一个层次，即将所有数据进行最广义聚类。 ii.根据规范化后数据所属的不同类别，可以根据不同类别层次将数据划分为不同类别，并根据不同类别进行聚类。 iii.若想获取自定义类别数据，首先自定义类别标签关键词，然后对所获取规范化数据进行遍历，并通过类别关键词对每一条数据进行类别相似度赋值权重，最终通过权重大小获取到自定义类别数据。 4.根据权利要求1所述的一种多层次文本聚类方法和装置，其特征在于，所述的步骤C 中，Word2vec利用深度学习的思想，通过训练，把对文本内容的处理简化为K维向量空间中的向量运算，最终通过降维算法将K维向量降为2维，从而可以用向量空间上的距离来表示语义上的相似度。 5.根据权利要求1所述的一种多层次文本聚类方法和装置，其特征在于，所述的步骤E 中,通过计算所有数据节点的平均距离并乘以对应权重，从而根据不同数据集的大小动态更新算法截断距离。局部密度描述了一个数据节点周围数据的聚集程度。相对距离描述了一个数据节点与其它具有较大局部密度的数据节点的距离。若一个节点的局部密度值与相对距离值都较大，说明它本身周围有较多数据节点，且距离另一个周围有较多数据节点的数据节点距离较远，则认为其是一个聚类中心。 2
基于向量空间模型的文本聚类算法 转自：https://www.doczj.com/doc/255359394.html,/2009/0910/15270.php 1 文本聚类研究现状 Internet 已经发展为当今世界上最大的信息库和全球范围内传播信息最主要的渠道。随着Internet 的大规模普及和企业信息化程度的提高，各种资源呈爆炸式增长。在中国互联网络信息中心(CNNIC)2007 年1 月最新公布的中国互联网络发展状况统计报告中显示，70.2% 的网络信息均以文本形式体现。对于这种半结构或无结构化数据，如何从中获取特定内容的信息和知识成为摆在人们面前的一道难题。近年来，文本挖掘、信息过滤和信息检索等方面的研究出现了前所未有的高潮。 作为一种无监督的机器学习方法，聚类技术可以将大量文本信息组成少数有意义的簇，并提供导航或浏览机制。 文本聚类的主要应用点包括： (1) 文本聚类可以作为多文档自动文摘等自然语言处理应用的预处理步骤。其中比较典型的例子是哥伦比亚大学开发的多文档自动文摘系统Newsblaster[1] 。该系统将新闻进行 聚类处理，并对同主题文档进行冗余消除、信息融合、文本生成等处理，从而生成一篇简明扼要的摘要文档。 (2) 对搜索引擎返回的结果进行聚类，使用户迅速定位到所需要的信息。比较典型的系统有Infonetware Real Term Search 。Infonetware 具有强大的对搜索结果进行主题分类的功能。另外，由Carrot Search 开发的基于Java 的开源Carrot2 搜索结果聚合聚类引擎2.0 版也是这方面的利用，Carrot2 可以自动把自然的搜索结果归类( 聚合聚类) 到相应的语义类别中，提供基于层级的、同义的以及标签过滤的功能。 (3) 改善文本分类的结果，如俄亥俄州立大学的Y.C.Fang 等人的工作[2] 。 (4) 文档集合的自动整理。如Scatter/Gather[3] ，它是一个基于聚类的文档浏览系统。 2 文本聚类过程 文本聚类主要依据聚类假设：同类的文档相似度较大，非同类的文档相似度较小。作为一种无监督的机器学习方法，聚类由于不需要训练过程、以及不需要预先对文档手工标注类别，因此具有较高的灵活性和自动化处理能力，成为对文本信息进行有效组织、摘要和导航的重要手段。文本聚类的具体过程如图 1 所示。 图 1 文本聚类过程
文本情感分析研究现状 机器之心专栏 作者：李明磊 作为NLP领域重要的研究方向之一，情感分析在实际业务场景中 存在巨大的应用价值。在此文中，华为云NLP算法专家李明磊为 我们介绍了情感分析的概念以及华为云在情感分析方面的实践和 进展。 基本概念 为什么：随着移动互联网的普及，网民已经习惯于在网络上表达意见和建议，比 如电商网站上对商品的评价、社交媒体中对品牌、产品、政策的评价等等。这些评价中都蕴含着巨大的商业价值。比如某品牌公司可以分析社交媒体上广大民众对该品牌的评价，如果负面评价忽然增多，就可以快速采取相应的行动。而这种正负面评价的分析就是情感分析的主要应用场景。 是什么：文本情感分析旨在分析出文本中针对某个对象的评价的正负面，比如「华为手机非常好」就是一个正面评价。情感分析主要有五个要素，（entity/实体, aspect/属性，opinio n/观点，holder/观点持有者，time/时间），其中实体和属性合并称为评价对象（target）。情感分析的目标就是从非结构化的文本评论中抽取出这五个要素
、 (entity 体, 输入文木 holder/?点持有者，time/ 时 |i 图i情感分析五要素 举例如下图： 我觉得华为手机非常牛逼。（华为手机* 图2情感分析五要素例子 上例中左侧为非结构化的评论文本，右侧为情感分析模型分析出的五个要素中的四个（不包括时间）。其中实体「华为手机」和属性「拍照」合并起来可以作为评价对象。评价对象又可细分为评价对象词抽取和评价对象类别识别。如实体可 以是实体词和实体类别，实体词可以是「餐馆」、「饭店」、「路边摊」，而实 体类别是「饭店」；属性可以是属性词和属性类别，如属性词可以是「水煮牛肉」、 「三文鱼」等，都对应了属性类别「食物」。实体类别和属性类别相当于是对实体词和属性词的一层抽象和归类，是一对多的关系。词和类别分别对应了不同的
ISSN 1000-9825, CODEN RUXUEW E-mail: jos@https://www.doczj.com/doc/255359394.html, Journal of Software, Vol.19, No.1, January 2008, pp.48?61 https://www.doczj.com/doc/255359394.html, DOI: 10.3724/SP.J.1001.2008.00048 Tel/Fax: +86-10-62562563 ? 2008 by Journal of Software. All rights reserved. ? 聚类算法研究 孙吉贵1,2, 刘杰1,2+, 赵连宇1,2 1(吉林大学计算机科学与技术学院,吉林长春 130012) 2(符号计算与知识工程教育部重点实验室,吉林长春 130012) Clustering Algorithms Research SUN Ji-Gui1,2, LIU Jie1,2+, ZHAO Lian-Yu1,2 1(College of Computer Science and Technology, Jilin University, Changchun 130012, China) 2(Key Laboratory of Symbolic Computation and Knowledge Engineering of the Ministry of Education, Changchun 130012, China) + Corresponding author: Phn: +86-431-85166478, E-mail: liu_jie@https://www.doczj.com/doc/255359394.html, Sun JG, Liu J, Zhao LY. Clustering algorithms research. Journal of Software, 2008,19(1):48?61. https://www.doczj.com/doc/255359394.html,/ 1000-9825/19/48.htm Abstract: The research actuality and new progress in clustering algorithm in recent years are summarized in this paper. First, the analysis and induction of some representative clustering algorithms have been made from several aspects, such as the ideas of algorithm, key technology, advantage and disadvantage. On the other hand, several typical clustering algorithms and known data sets are selected, simulation experiments are implemented from both sides of accuracy and running efficiency, and clustering condition of one algorithm with different data sets is analyzed by comparing with the same clustering of the data set under different algorithms. Finally, the research hotspot, difficulty, shortage of the data clustering and some pending problems are addressed by the integration of the aforementioned two aspects information. The above work can give a valuable reference for data clustering and data mining. Key words: clustering; algorithm; experiment 摘要: 对近年来聚类算法的研究现状与新进展进行归纳总结.一方面对近年来提出的较有代表性的聚类算法, 从算法思想、关键技术和优缺点等方面进行分析概括;另一方面选择一些典型的聚类算法和一些知名的数据集,主 要从正确率和运行效率两个方面进行模拟实验,并分别就同一种聚类算法、不同的数据集以及同一个数据集、不同 的聚类算法的聚类情况进行对比分析.最后通过综合上述两方面信息给出聚类分析的研究热点、难点、不足和有待 解决的一些问题.上述工作将为聚类分析和数据挖掘等研究提供有益的参考. 关键词: 聚类;算法;实验 中图法分类号: TP18文献标识码: A 聚类分析研究有很长的历史,几十年来,其重要性及与其他研究方向的交叉特性得到人们的肯定.聚类是数 ? Supported by the National Natural Science Foundation of China under Grant Nos.60473003, 60573073 (国家自然科学基金); the Major Research Program of National Natural Science Foundation of China under Grant No.60496321 (国家自然科学基金重大项目) Received 2007-04-24; Accepted 2007-08-03
聚类分析及算法研究 公允价值计量属性的应用 ——以我国金融行业为例 赵婷 （重庆理工大学会计学院，重庆400054） 公允价值对金融行业的影响不容忽视。以我国金融行业A股上市公司2015年年报披露的信息为基础，分析了当前公允价值计量的应用意义；同时，阐述了金融行业运用公允价值计量的现状。结果表明，公允价值计量属性对金融行业资产的计量极其重要，可以帮助提高行业信息的相关性，有助于投资者了解金融市场动态。 标签：公允价值；金融行业；会计信息质量 1引言 随着经济的发展，国家在不断地修订会计准则，会计政策也随之产生巨大的变化，而会计政策的每一次变动，都对处于该经济背景下的企业产生了深远的影响。有学者认为，经济环境的变化将持续不断地影响着会计政策的选取，而如何在历次的变化中觉察会计政策变化的轨迹与特征，并利用其具有的特征和轨迹做出有利于企业经营管理的决策，应是我们重点关注的领域，而公允价值计量属性是会计政策的内容之一。 2公允价值计量属性的应用意义 公允价值计量属性对我国金融资产的计量影响深远。美国历史上著名的“储蓄与贷款危机”表明：企业若以公允价值对储蓄和贷款款项进行计量，能够及时的向大众传达企业已经资不抵债的现状，有助于减少投资者的损失，反之，企业若自欺欺人的认为自身资金实力雄厚，偿债能力较强，会误导外部投资者与政府监管部门而使企业和社会蒙受了巨大的损失。随着市场经济的发展，企业经营业务不断的扩张，越来越多的公司开展股票、债券等金融产品的交易，市场活跃程度加强，历史成本计量属性已不符合广大投资者的需求，急需“公允价值”入驻进行恰当的补充。 3金融行业公允价值计量属性应用现状 表12015年金融业A股上市公司年报披露公允价值变动损失最大的前十家公司及原因
.路遥研究国内外现状分析： 国内路遥研究围绕着路遥代表作中篇小说《人生》的发表和长篇小说《平凡的世界》获得茅盾文学奖后形成两个研究高潮以及路遥去世至今形成的收获期。 路遥研究始于其在1980年《当代》杂志第3期发表的中篇小说《惊心动魄的一幕》后其资深评论家秦兆阳先生对其的评论“这不是一篇针砭时弊的作品……他所着力描写的，是一个对‘文化大革命’的是非分辨不清、思想水平并不高、却又不愿意群众因自己而掀起大规模武斗，以至造成巨大牺牲的革命干部”（秦兆阳：《要有一颗热情的心——致路遥同志》，1982年3月25日《中国青年报》）。秦老充分肯定使路遥第一次为全国文学界所注意。 1982年路遥在《收获》杂志上发表了标志其小说创作走向成熟的中篇小说《人生》，很快这部描写“城乡交叉地带”知识青年——高加林的爱情故事题材的小说，由于其独特的视角和作者敏锐的观察力以及作品主人公在面对现代性焦虑的过程中青年人如何实现人生价值的可争议的论题而很快风弥大街小巷，一时间好评如潮，但同时评论界也围绕着高加林典型性格论、作品的审美特征以及“城乡交叉地带”等问题而热烈的争论。评论界在争论基础上最后较为一致认为高加林是路遥塑造的一个性格丰富的典型人物形象。当时，评论界把问题主要集中于高加林是个什么样的人上即：一是高加林是不是“新人”的问题。梁永安认为高加林是“可喜的农村新人形象”（梁永安：《可喜的农村新人——也谈高加林》，1980年10月7日《文汇报》）；雷达认为高加林“有辨不清两种文明的弱点，但主导方面还是新的因素居多……但总体看来，他在精神上是一个新的人物但不是通常所说的‘新人’” 雷达：《简论高加林的悲剧》，《青年文学》1983年第2期）。二是高加林是不是个人奋斗者、个人主义者的问题，曹锦清认为高加林是“一个孤独奋斗者的形象”（曹锦清：《一个孤独奋斗者的形象——谈<人生>中的高加林》。）而蔡翔认为“高加林的自尊在‘挑粪’一节中遭到了残酷的打击，屈辱从反面教育了他，催化了他愿望中的出人头地的个人主义因素，并且煽起了一种盲目的报复情绪”（蔡翔：《高加林和刘巧珍——<人生>人物谈》，《上海文学》1983年第1期）。同时他认为社会应该对高加林的个人主义思想的滋生担当一定的责任。对于高加林复杂的人物形象，许多评论家也经行了深入细致的分析，激烈争论之后虽有分歧，但大家公认高加林是路遥为新时期文学画廊塑造的复杂人物形象，“作为一个成功的艺术形象进入当代中国文学史是当之无愧的”（王西平、李星、李国平：《路遥评传》，太白文艺出版社1997年版）。 就其美学特征而言，评论界认为该作品具有“深沉”与“宏大”的审美特征。白烨认为路遥作品的结构“不仅注意构筑大起大落而又环环相扣的外在情结，而且注意到铺设涟漪连绵的显现人物内心风暴的内在情节，并常常把二者交叉穿错起来，在波折迭出的矛盾冲突中层层展示人物的内心世界，明晰的揭示出促进人物行动的内在的外在的因素”指出路遥的作品有着“执着而严肃的艺术追求”（白烨：《执着而严肃的艺术追求》，1983年5月10日）。李星指出“深沉、宏大正是路遥所具有的艺术气质，也是他在全部创作过程中所苦心孤诣追求的艺术目标”（李星：《深沉而宏大的艺术世界——论路遥的审美追求》，《当代作家评论》1985年第3期）。评论家把“城乡交叉地带”作为解读路遥作品的金钥匙，并对其进行了阐发。对于该问题有评论家王愚的论文《在交叉地带耕耘——论路遥》（《当代作家评论》1984年第2期）。李勇认为“‘交叉地带’这个典型环境和高加林这个典型人物，是路遥为当代中国文学做出的突出贡献”（李勇：《路遥论》，《小说评论》1986年第5期）。通过“城乡交叉地带”的把握，为准确解读路遥小说提供了一种全新的视角。 综上，从一九八零年《惊心动魄的一幕发表》到《人生》诸问题所引起的高度关注的这一阶段形成了路遥研究的第一个高潮，在该阶段内确认了高加林这一典型人物形象在当代文学画廊中的典型性、确证了作者作品“深沉”与“宏大”的美学特征，明确了路遥善于在“城乡