基于關(guān)鍵詞組合向量模型的文本自動(dòng)分類研究

[摘 要] 本文描述了一種新的基于關(guān)鍵詞組合模式的文本向量空間表示模型，相對(duì)于只使用文本中詞語的頻率的文本向量空間模型，這種新的模型在可以計(jì)算的前提下，使用了詞語之間的相對(duì)位置信息，從而可以解決部分詞語向量空間模型表示的不足。本文討論了使用這種模型的自動(dòng)文本分類系統(tǒng)，包括分類系統(tǒng)的結(jié)構(gòu)、特征提取、文本相似度計(jì)算公式，并給出了評(píng)估方法。

[關(guān)鍵詞] 關(guān)鍵詞組合 向量空間 自動(dòng)分類 分類算法

近年來，以文本格式存儲(chǔ)的海量信息出現(xiàn)在Internet、數(shù)字化圖書館及公司的Intranet上，如何從這些浩瀚的文本中發(fā)現(xiàn)有價(jià)值的信息是信息處理領(lǐng)域的重要目標(biāo)，而文本自動(dòng)分類系統(tǒng)能夠在給定的分類模型下，根據(jù)文本的內(nèi)容自動(dòng)對(duì)文本分門別類，從而更好地幫助人們組織及挖掘文本信息，因此得到日益廣泛的關(guān)注，成為信息處理領(lǐng)域最重要的研究方向之一。

一、自動(dòng)分類的種類和作用

自動(dòng)分類就是用計(jì)算機(jī)系統(tǒng)代替人工對(duì)文獻(xiàn)等對(duì)象進(jìn)行分類，一般包括自動(dòng)聚類和自動(dòng)歸類。自動(dòng)聚類和自動(dòng)歸類的主要區(qū)別就是自動(dòng)聚類不需要事先定義好分類體系，而自動(dòng)歸類則需要確定好類別體系，并且要為每個(gè)類別提供一批預(yù)先分好的對(duì)象作為訓(xùn)練文集，分類系統(tǒng)先通過訓(xùn)練文集學(xué)習(xí)分類知識(shí)，在實(shí)際分類時(shí)，再根據(jù)學(xué)習(xí)到的分類知識(shí)為需要分類的文獻(xiàn)確定一個(gè)或者多個(gè)類別。本文中所指的自動(dòng)分類是指對(duì)網(wǎng)頁的自動(dòng)分類，包括網(wǎng)頁的自動(dòng)歸類和自動(dòng)聚類。

目前搜索引擎提供兩種信息查詢方式:分類瀏覽和關(guān)鍵詞檢索。分類瀏覽一般是基于網(wǎng)站分類目錄。關(guān)鍵詞檢索的對(duì)象不是網(wǎng)站，而是符合條件的網(wǎng)頁。關(guān)鍵詞檢索信息量大、更新及時(shí)、不需要人工干預(yù)。

二、問題描述

1.系統(tǒng)任務(wù)

簡(jiǎn)單地說，文本分類系統(tǒng)的任務(wù)是：在給定的分類體系下，根據(jù)文本的內(nèi)容自動(dòng)地確定文本關(guān)聯(lián)的類別。從數(shù)學(xué)角度來看，文本分類是一個(gè)映射的過程，它將未標(biāo)明類別的文本映射到已有的類別中，該映射可以是一一映射，也可以是一對(duì)多的映射，因?yàn)橥ǔＲ黄谋究梢酝鄠€(gè)類別相關(guān)聯(lián)。用數(shù)學(xué)公式表示如下：

文本分類的映射規(guī)則是系統(tǒng)根據(jù)已經(jīng)掌握的每類若干樣本的數(shù)據(jù)信息，總結(jié)出分類的規(guī)律性而建立的判別公式和判別規(guī)則。然后在遇到新文本時(shí)，根據(jù)總結(jié)出的判別規(guī)則，確定文本相關(guān)的類別。

2.評(píng)估方法

我們使用評(píng)估文本分類系統(tǒng)的兩個(gè)指標(biāo)：準(zhǔn)確率和查全率。準(zhǔn)確率是所有判斷的文本中與人工分類結(jié)果吻合的文本所占的比率。其數(shù)學(xué)公式表示如下：;查全率是人工分類結(jié)果應(yīng)有的文本中分類系統(tǒng)吻合的文本所占的比率，其數(shù)學(xué)公式表示如下：;準(zhǔn)確率和查全率反映了分類質(zhì)量的兩個(gè)不同方面，兩者必須綜合考慮，不可偏廢。

3.詞語向量空間模型的文本表示

目前，在信息處理方向上，文本的表示主要采用向量空間模型 (VSM)。向量空間模型的基本思想是以向量來表示文本:（W1，W2，W3……Wn），其中Wi為第i個(gè)特征項(xiàng)的權(quán)重，那么選取什么作為特征項(xiàng)呢，一般可以選擇字、詞或詞組，根據(jù)實(shí)驗(yàn)結(jié)果，普遍認(rèn)為選取詞作為特征項(xiàng)要優(yōu)于字和詞組，因此，要將文本表示為向量空間中的一個(gè)向量，就首先要將文本分詞，由這些詞作為向量的維數(shù)來表示文本。詞頻分為絕對(duì)詞頻和相對(duì)詞頻，絕對(duì)詞頻，即使用詞在文本中出現(xiàn)的頻率表示文本，相對(duì)詞頻為歸一化的詞頻，其計(jì)算方法主要運(yùn)用TF～I(xiàn)DF公式，目前存在多種TF～I(xiàn)DF公式，一種比較普遍的TF～I(xiàn)DF公式為:;其中，為詞t在文本中的權(quán)重，而為詞t在文本中的詞頻，N為訓(xùn)練文本的總數(shù)，nt為訓(xùn)練文本集中出現(xiàn)t的文本數(shù)，分母為歸一化因子。

4.詞語向量空間模型的訓(xùn)練方法和分類算法

訓(xùn)練方法和分類算法是分類系統(tǒng)的核心部分，目前存在多種基于向量空間模型的訓(xùn)練算法和分類算法，例如，支持向量機(jī)算法、神經(jīng)網(wǎng)絡(luò)方法，最大平均熵方法，最近 K 鄰居方法和貝葉斯方法等等。一般相似度定義公式為:;其中，di，dj為不同的文本，M為特征向量的維數(shù)，Wk為向量的第K維。

三、關(guān)鍵詞組合向量空間的文本表示模型

關(guān)鍵詞組合是大多數(shù)搜索引擎使用的查詢語言。我們這里定義的關(guān)鍵詞組合(Keyword expression)為：

Keyword expression= keyword [and keyword] *

例如keyword expression =“大?！盿nd “海鷗”表示如果文本中同時(shí)出現(xiàn)“大海”和“海鷗”，則這個(gè)文檔滿足關(guān)鍵詞表達(dá)式。

定義P為可能關(guān)注的關(guān)鍵詞集合為P，|P|為關(guān)鍵詞的個(gè)數(shù)。對(duì)于一般的分類系統(tǒng)|P|一般為10萬左右。Pi為其中的一個(gè)關(guān)鍵詞。關(guān)鍵詞可以是一個(gè)有穩(wěn)定的詞語也可以是一個(gè)短語。

定義E表示可能關(guān)注的關(guān)鍵詞集合。 |P|為關(guān)鍵詞組合的個(gè)數(shù). Ei是其中的一個(gè)組合。同時(shí)保證出現(xiàn)在Ei的關(guān)鍵詞一定在P中。定義D表示全部文檔集合。|D|為的文檔個(gè)數(shù).是其中的一個(gè)文檔。定義l表示一個(gè)表達(dá)式必須出現(xiàn)在多少連續(xù)的句子中。一般定義為3個(gè)句子。則定義文檔當(dāng)且僅當(dāng)在文本dk..k+l中出現(xiàn)了關(guān)鍵詞組合e的全部關(guān)鍵詞。定義。則表示表達(dá)式出現(xiàn)在文檔的中的頻率。類似向量空間模型，我們定義表達(dá)式的權(quán)重:

;其中，為詞e在文本中的權(quán)重，N為訓(xùn)練文本的總數(shù)，nt為訓(xùn)練文本集中出現(xiàn)t的文本數(shù)，分母為歸一化因子。

同理我們可以定義文本的相似度:;其中，di，dj為不同的文本，M為特征向量的維數(shù)，Wk為向量的第K維。計(jì)算由于對(duì)于存在O(||)的多關(guān)鍵詞匹配算法，所以對(duì)關(guān)鍵詞集合P可以在O(||)計(jì)算出關(guān)鍵詞序列Q。使用自動(dòng)機(jī)算法可以在O(|Q|)時(shí)間內(nèi)計(jì)算出全部出現(xiàn)的關(guān)鍵詞集合。

四、特征詞的提取

使用特征詞的向量空間來表示文檔時(shí)，直接使用構(gòu)成文檔的詞條作為向量空間的維度，會(huì)使相應(yīng)的詞條向量矩陣非常稀疏和巨大，而且存在著大量對(duì)文檔的描述和區(qū)分不相關(guān)或影響很小的詞條維度，這會(huì)造成對(duì)文檔語義描述的混淆和模糊。為了提高分類算法的效率和準(zhǔn)確度，有必要對(duì)構(gòu)成文檔的詞條進(jìn)行特征詞的提取和篩選，即對(duì)詞條向量空間進(jìn)行降維處理。

特征詞提取有多種算法，大致可分為兩種：一種是在現(xiàn)有的詞條中從統(tǒng)計(jì)的角度選擇對(duì)文檔語義表達(dá)較好的詞條，如IG (Information Gain)，DF (Document Frequency)，χ2-statistic等特征詞選取算法；還有一種是從現(xiàn)有詞條中抽提和構(gòu)造可以表達(dá)文檔的隱含語義的特征，作為向量空間的維度，如隱含語義檢索（Latent Semantic Indexing， LSI）。LSI的核心操作是對(duì)詞條文檔矩陣進(jìn)行截?cái)嗟腟VD （Singular Value Decomposition）分解，從而可以得到原詞條文檔矩陣在最小二乘意義上的最好近似。LSI可以在降維的同時(shí)，抽取文檔的隱含語義，使得生成的文檔向量可以較好地表達(dá)文檔的語義。詞條的權(quán)重算法對(duì)LSI的效果有一定的影響，據(jù)分析，聯(lián)合使用平方根對(duì)數(shù)（Square root-Log，局部權(quán)重）－熵（Entropy，全局權(quán)重）－余弦標(biāo)準(zhǔn)化（Cosine normalization，歸一化參數(shù)）來計(jì)算詞條權(quán)重的效果比較好。

參考文獻(xiàn)：

[1]朱華宇 孫正興:一個(gè)基于向量空間模型的中文文本自動(dòng)分類系統(tǒng)[J].計(jì)算機(jī)工程，2001，27(2):15～17

[2]秦 進(jìn) 陳笑蓉 汪維家 陸汝占:文本分類中的特征抽取[J].計(jì)算機(jī)應(yīng)用，2003，2(2):45

[3]龐劍鋒 卜東波 白 碩:基于向量空間模型的文本自動(dòng)分類系統(tǒng)的研究與實(shí)現(xiàn).計(jì)算機(jī)應(yīng)用研究， 2001(9)

[4]鐘敏娟等:基于分類和關(guān)鍵詞組抽取的信息檢索算法[J].系統(tǒng)仿真學(xué)報(bào)，2004，(16)

[5]晉耀紅 苗傳江:一個(gè)基于語境框架的文本特征提取算法.計(jì)算機(jī)研究與發(fā)展，2004，Vol.41，No.4:582～586

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文