随着第二代测序技术的发展,产生了大量的生物序列数据,这些丰富的数据资源为科研人员的研究提供了便捷,也提高了人们的工作效率。在这些数据资源给人们提供便利的同时,也对人们如何快速有效地处理这些大数据提出了挑战。若对每条数据都进行信息提取或物种注释,既耗时工作量又很大。本工作将共现词频作为研究序列相似性的主要指标,并从以下三个方面展开研究:首先应用一种归一化的共现词频方法——Jaccard进行序列相似性计算,然后将共现词频技术与图模型结合,计算序列权重,最后应用序列权重进行序列聚类。主要工作结果如下:(1)基于改进的Jaccard系数文档相似度计算方法。针对传统的文档相似度计算方法中存在的相似度计算不精等问题,提出一种基于改进的Jaccard系数确定文档相似度的方法。通过文本预处理,按照一定的滑动窗口大小,对文本进行分割,将文本用L字元素(k-mers)表示,并记录其在每个文档中的出现频度。通过对两文本间存在的共现k-mers词频做归一化处理、计算其在文本中所占比重及对两文本相似度所做的贡献,得到两文本基于改进的Jaccard系数文档相似度。随后利用搜狗实验室提供的语料,对本工作提出的相似度计算方法的有效性与准确度进行验证,并且探讨该技术方案下,L字元素的长度与相似度的关系。结果显示,随着L字元素长度的增加,两文本的字符重复比例与相似度的线性回归关系越明显,相似度计算越精确。(2)基于图的序列权重计算模型:SeqRank。基于二部图的思想,将共现词频技术与图模型结合,提出一种序列权重计算算法——SeqRank,对序列的重要性进行计算。而后计算序列在一维投影下的相似度,以此验证本工作提出的SeqRank算法的特点,即:序列相似,则权重相近。实验结果表明,MLST-8数据的权重计算结果图呈现出:类别相近的簇,即相似序列,其在权重分布图上位置较接近。该结果充分验证了本工作提出的SeqRank算法的特点。(3)基于SeqRank的聚类算法。本工作基于序列权重,提出一种序列聚类算法。该算法在对k-mers进行分组的前提下,对序列构建序列—k-mers二部图。首先计算序列在不同分组k-mers下的重要性,然后对其进行逆序排序,按照排序后的均匀间隔,从每组中各筛选出k(中心数)条序列,对其去重后将其作为中心的候选序列。接着以候选序列中的k-mers频度为特征,进行K-means聚类,对聚类结果中的每个簇,筛选出与当前质心最为接近的点作为序列中心。最后以所有序列中k-mers的频度作为特征,再次进行K-means聚类,得到本次实验的最终聚类结果。通过与序列比对软件Afcluster、QCluster和USEARCH以及SSAW在F1值与运行时间上的对比,充分地显示了本工作所提出的SeqRank聚类算法的有效性。