前言
对于一些延续时间较长的新闻事件，我们希望通过机器挖掘的手段，抽取出事件发展的重要阶段，称为事件的脉络信息；使得用户能够通过脉络信息，直观的了解该事件发展的过程。比如：在中国协助智利解救被困矿工一事的专题页中，展现如下的事件回顾信息，能够帮助用户迅速的领略该事件的来龙去脉。
图1：事件专题页
图2：事件的脉络信息
问题描述
输入：关于某一事件的相关新闻集合，包含的新闻量最好多于10篇；我们实验用的数据，是利用文本聚类得到的新闻簇，新闻簇的大小从几十到几百篇都有。（得到事件新闻集合的方法，还可以通过事件检测与跟踪的办法，或者通过获取搜索引擎的返回结果等方法，新闻集合的质量越好，覆盖的时间窗越长，对挖掘脉络越有利）
输出：事件的脉络信息，简单一些，就是：给出一个重要新闻的列表，这些重要的新闻涵盖了该事件的各个重要阶段的重要信息。
挖掘方法
这里介绍的方法，是想通过分析新闻媒体对事件跟踪报道的变化，来拟合新闻事件的发展阶段的变化。这种方法主要是从新闻的外部属性（主要是发布时间和转载情况）进行分析，前提假设是：在事件有重要进展的阶段时，就会有一些高质量的新闻跟进报道，而且越是重要的进展，报道越多越集中。实验的结果也验证了这一假设是成立的。
时间片聚类
我们使用了一种叫做时间片聚类的方法，来发现事件发展的主要阶段。
对于每一篇新闻，我们抽取出该新闻的发布时间；然后按照新闻的发布时间，把一个新闻事件集合内的新闻进行排列。如果把新闻按照发布时间投影到时间轴上，如果事件有明显的发展阶段，根据前面的设想，就能在时间轴上看到一些新闻比较密集的区域，这些区域就是我们要获取的事件的各个阶段。
至于如何获取新闻比较密集的时间片段，可选的方法有很多种。这里介绍一种利用凝聚层次聚类的方法，将时间轴切分成若干个片段的方法。
先把每篇新闻看成一个时间片段（其实是一个点），然后每次合并距离最近的两个片段，直到任意两个片段之间的距离都大于一个预先设定的阈值。这是凝聚层次聚类的基本做法，选用层次聚类的一个主要原因是：它不需要事先指定要得到的划分的个数，而一些其他常见的聚类算法，如k-means，k-mediods等方法。而我们也确实很难提前确定一个事件应该切分成几个阶段。
影响聚类效果的另一个重要因素，就是“距离”的计算，在本问题中，则是两个时间片段之间的“距离”的计算。在尝试对比了最短距离、最长距离和平均距离之后，我们选择了平均距离作为度量的指标，即计算两个片段内的新闻两两之间的距离的平均值，公式如下：
A，B表示两个片段。其中a1,a2,…,an是A片段内的n篇新闻，b1,b2,…,bm是B片段内的m篇新闻。dist(a,b)是新闻a和新闻b之间的发布时间间隔。
代表新闻的选取
通过时间片聚类的办法，获取到了事件的若干个进展以后，则要从每个进展的新闻集合中，抽取出一篇代表新闻。
具体的策略，可以根据具体的产品需求来定。一般都会考虑如下因素：新闻来源的站点是否权威，该新闻的发布时间（在同一个片段内而言），该新闻是否有更多的转载等等。
如果要求更多媒体化，还可以从新闻集合中，抽取出相应的图片，视频等相关资源。
一些改进的办法
新闻时间距离
为了改进时间片聚类的效果，在计算新闻之间的时间距离时，我们用到了“新闻时间距离”的概念。一天有24个小时，各个小时的新闻发布数量是有很大差别的。通过统计，我们能看出，新闻发布的高峰是在8：00~11：30，以及14：00~16：00。统计不同时间段的新闻发布数量，对于后续的时间片聚类是有帮助的。
“新闻时间距离”是相对于“自然时间距离”来说的，一天24小时，每个小时的跨度是一样的，即从凌晨2点到凌晨3点的时间间隔，和上午9点到上午10点的时间间隔都是1个小时。但是对于新闻来说，由于新闻发布并不是在24小时内均匀分布的，所以我们认为：在新闻发布高峰期间隔1个小时，要比在新闻发布的低谷期间隔一个小时，造成的时间跨度更长。
统计的方法是：按照每半小时为一个小时间片，统计每个时间段内的新闻发布数，求出各个时间段新闻数占所有时间片新闻总数的比值，这个比值可以用来重新分配24小时的时间长度，计算“新闻时间距离”。最终的结果可能是：在0点至6点之间的1个小时，在“新闻时间距离”中只有半个小时，甚至更少，而在9：00~11：00期间的一个小时，相当于2~3个小时。
新闻集合的去噪
在我们的实验中，还发现另外一个现象：各媒体对事件跟进报道的时效性不一，比如同样的新闻内容，新华网的报道更具时效性，在当前20:00就发布了，而一些小的新闻站点，则可能要等到第二天的9:00才发布，这样就导致描述同一阶段的新闻，往往会被分到不同的阶段中去，这样就影响了时间片聚类的效果。所以我们在进行时间片聚类之前，还进行了相似新闻的去重。
相似新闻去重的实现方法是：对新闻集合内的新闻，进行一次相似度，如果碰到文本相似度很高的新闻，则归档在一起，以最早的那篇新闻为代表新闻，参加时间片聚类。具体的做法是：按照新闻的发布时间由远及近的顺序，计算每篇新闻与之前的新闻的文本相似度，如果相似度太高，则认为可能是重复的内容，则把这篇新闻标记为更早的新闻的转载或者相近报道。
为了避免同一事件中的新闻太相似，我们还利用新闻集合中的所有新闻，抽取出了的事件的特征向量，利用该特征向量，对单篇新闻的特征向量进行一定程度的降权，从而放大新闻集合内的新闻之间的差异。
另外，如果新闻集合太大，则可以选取一些高质量的新闻来做精简，这样的噪音就更少了。在我们的试验中，主要是利用转载和站点权威性来做的过滤。
总结
本方法利用了新闻媒体对新闻事件的报道行为，来挖掘出新闻事件的发展阶段以及代表新闻，从而给用户提供简单明了的新闻事件脉络。主要利用了时间片聚类算法来自动将事件划分成若干个进展阶段，然后从各个进展阶段中，抽取出代表新闻。为了改善算法，还提出了一种“新闻时间距离”的度量方法；同时，还结合了文本内容分析的手段，来对新闻集合进行精简，去噪，改善脉络抽取的效果。
本文转自百度技术51CTO博客，原文链接：http://blog.51cto.com/baidutech/743767，如需转载请自行联系原作者
