专利详情

专利名称	一种高效的文本数据挖掘方法
申请号	CN201110385415.1	专利类型	发明专利
公开（公告）号	CN102402606A	公开（授权）日	2012.04.04
申请（专利权）人	中国科学院计算机网络信息中心	发明（设计）人	杨风雷;黎建辉;吴开超;薛正华;张波
主分类号	G06F17/30(2006.01)I	IPC主分类号	G06F17/30(2006.01)I
专利有效期	一种高效的文本数据挖掘方法至一种高效的文本数据挖掘方法	法律状态	实质审查的生效
说明书摘要	本发明公开了一种高效的文本数据挖掘方法，属于信息技术领域。本方法为：1)文件预处理阶段将内容经分词后的原文件合并为若干新文件；2)数据映射阶段计算每一词语在新文件中的总频数、在其中每一原文件中的频数及相对频率pr等，并将结果发送到重定向模块中；3)重定向阶段计算每一Reduce任务的负载量payload，并为每一Reduce任务设置一负载指示器payi；4)判断当前词语是否已分配了Reduce任务；如果未分配，则将其分配给Reducej，且payj+pr*100≤payload成立；然后更新Reducej的负载指示payj；否则将当前词语分配给相应Reducei任务；5)数据规约阶段对分配的词语计算其最终的频数等参数；6)根据数据规约结果，提取设定范围内频数大于设定阈值的词语。本发明大大提高频数计算、数据挖掘效率。