公司話題提取及其趨勢分析

張禾

摘要：隨著信息技術(shù)的發(fā)展，人們由一個(gè)信息匱乏的時(shí)代進(jìn)入到了信息爆炸的時(shí)代，大量信息通過媒體、互聯(lián)網(wǎng)等各種途徑?jīng)_擊著人們的大腦。面對龐大的數(shù)據(jù)，人們很難找到他們想要的信息。為解決這種問題，研究者們開始著手在大量數(shù)據(jù)中挖掘有用的信息、對龐大的信息建立索引、在文檔集中提取話題等方向。本文從專利文檔角度出發(fā)，對公司的專利文檔進(jìn)行分析，提取其潛在的熱點(diǎn)話題，并將其集成到專利檢索系統(tǒng)Patent Miner中。在挖掘公司潛在信息，提高用戶的搜索效率方面具有重要意義。

關(guān)鍵詞：話題提取 話題模型 PLSA 專利分類 Google Chart Tools

1 概述

信息超載這個(gè)詞最早出現(xiàn)在1970年AlvinTomer的《未來震撼》一書中并被人們所熟知[1]。進(jìn)入信息時(shí)代，信息技術(shù)以前所未有的速度迅猛發(fā)展著，信息超載的現(xiàn)象越來越清晰地呈現(xiàn)在人們的眼前。隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，人們接受的信息正以各種形式紛至沓來，信息量的日益增多使得用戶很難輕松準(zhǔn)確地找到他們想要的信息。為解決這種問題，研究者們開始著手在大量數(shù)據(jù)中挖掘有用的信息、對龐大的信息建立索引、在文檔集中提取主題等方向。

話題提取旨在挖掘文檔集合中的重要信息，在學(xué)術(shù)信息檢索領(lǐng)域具有重要的作用。研究者們很早就注意到了挖掘文本信息這個(gè)重要領(lǐng)域，并且做了很多研究。1990年Deerwester等人提出LSA模型，認(rèn)為文檔和單詞之間還有一層潛在語義空間[2]，1998年P(guān)apadimitriou等人則在明確地指出文檔和單詞之間存在topic層[3]，后來的研究者們便開始從topic層面進(jìn)行話題提取并衍生出一系列的模型以及應(yīng)用。

本文從公司的專利文檔入手，從topic層面試圖提取公司的熱點(diǎn)話題并分析其發(fā)展趨勢，如圖1所示。本文所實(shí)現(xiàn)的話題提取有兩種思路，第一種主要基于PLSA算法，另外一種則是根據(jù)專利文檔的特點(diǎn)，利用專利所屬的類別名稱來表示公司話題。由于篇幅有限，第二種方法就不進(jìn)行介紹了。在公司話題趨勢分析方面，本文利用Google Chart Tools圖表將每個(gè)公司的話題演化趨勢以折線圖的方式展現(xiàn)給用戶，方便用戶瀏覽查看，提高用戶查找效率。

■

圖1 公司話題提取示例

2 研究目的及方法

隨著計(jì)算機(jī)和互聯(lián)網(wǎng)的迅猛發(fā)展，信息迎來了大爆炸時(shí)代。大量的數(shù)據(jù)的出現(xiàn)給人們的使用和選擇都帶來了困擾。話題的提取則可以有效地緩解這種困擾，用戶不需要閱讀大量的文獻(xiàn)就可以發(fā)掘這些關(guān)鍵的信息，對于提高用戶的搜索效率和工作效率以及提高網(wǎng)站的可用性方面都具有很重要的意義。

本研究課題是科研項(xiàng)目專利檢索系統(tǒng)Patent Miner項(xiàng)目的一個(gè)子課題，在195，263家公司的海量專利數(shù)據(jù)的基礎(chǔ)上對公司話題進(jìn)行提取分析。實(shí)驗(yàn)采用Myeclipse開發(fā)平臺，主要運(yùn)用Java語言進(jìn)行開發(fā)，并需要掌握一定的Html，CSS和JavaScript知識。

2.1 形式化的問題定義

給定一個(gè)公司A，讓DA表示這個(gè)公司A所有文檔的集合，即DA={d■■，d■■，…，d■■}。根據(jù)Bag-of-Words模型假設(shè)文檔集合DA可以生成相應(yīng)的字典W={w■■，w■■，…，w■■}，那么就可以把數(shù)據(jù)集表示成一個(gè)N×M的共生矩陣，其中N=（N（d■■，w■■））i，j，n（d■■，w■■）表示A公司中字典中的第j個(gè)單詞在第i個(gè)文檔中出現(xiàn)的次數(shù)。

我們可以將公司話題提取的問題描述如下：對于一個(gè)給定的公司A，M個(gè)該公司下文檔的集合DA和對應(yīng)的N×M的共生矩陣，我們的目標(biāo)是：

找到幾個(gè)topic，這些topic可以用字典中的詞表示

根據(jù)PLSA模型，在文檔與字典之間存在一層隱含語義空間topic，文檔服從在topic上的多項(xiàng)分布θ，θ1+θ2+…+θk=1，（k≤N）；話題服從單詞上的多項(xiàng)分布φ，φ1+φ2+…+φN=1。只要根據(jù)PLSA模型計(jì)算出topic在word上的分布，再對結(jié)果進(jìn)行排序取概率最大的幾個(gè)word即可。根據(jù)上面的定義，給出問題的最終定義：

問題2.1：基于PLSA模型的公司話題提取對于一個(gè)給定的公司，話題提取的目標(biāo)是對全部文檔集進(jìn)行遍歷，生成字典W和矩陣n（d■■，w■■），利用PLSA模型得出若干話題，并得出每個(gè)話題在word上的分布{P（wi|zj）imN，jmK}，并對其排序。

2.2 PLSA算法

Probabilistic Latent Semantic Analysis（PLSA） 是概率統(tǒng)計(jì)模型中經(jīng)典的模型之一，是Latent semantic analysis（LSA）的改進(jìn)版。

LSA是在傳統(tǒng)的單詞與文檔的映射中間加入了潛在語義空間，通過奇異值分解（Singular Value Decomposition）的方式來求解這個(gè)潛在語義空間。由于基于SVD，迭代計(jì)算次數(shù)非常多，在處理海量文本數(shù)據(jù)時(shí)，文檔和詞的維度將急劇增加，使SVD的計(jì)算復(fù)雜度呈三次方增長。鑒于此，Hofmann于1999年提出一種基于概率的潛在語義分析PLSA模型。PLSA繼承了“潛在語義”的概念，通過“統(tǒng)一的潛在語義空間”來關(guān)聯(lián)詞與文檔；通過引入概率統(tǒng)計(jì)的思想，避免了SVD的復(fù)雜計(jì)算。由于統(tǒng)計(jì)技術(shù)的引用，PLSA可以解決模型擬合，模型結(jié)合，模型控制等問題，可以更有效的處理多義詞并明確區(qū)分不同的含義和不同類型的詞語用法。

PLSA的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。像其他所有的統(tǒng)計(jì)潛變量模型一樣PLSA模型引入了條件獨(dú)立性假設(shè)，即在潛在變量z下文檔d和詞w是相互獨(dú)立的。其中w∈W={w1，…，wN}，d∈D={d1，…，dD}，z∈Z={z1，…，zK}，z≤N。

■

圖2 PLSA結(jié)構(gòu)圖

在條件獨(dú)立性假設(shè)下，整個(gè)數(shù)據(jù)集的生成過程如圖3所示：

■

圖3 PLSA的生成過程

通過上述生成過程，最終可以生成不含zk的可觀察變量對（d，w）。該生成過程可以形式化為d與w聯(lián)合概率：

P（d，w）=P（d）P（w|d），where P（w|d）=■P（w|z）P（z|d）

P（d，w）=P（d）■P（w|z）P（z|d） （2-1）

根據(jù)貝葉斯定理邊緣化潛在話題z，則可觀察變量（d，w）的聯(lián)合概率可以表示為：

P（d，w）=■P（z）P（d|z）P（w|z） （2-2）

公式2-1和公式2-2是等價(jià)的，可以用貝葉斯法則推理得出。

在PLSA中使用最大似然估計(jì)來訓(xùn)練隱含量。最大似然

估計(jì)中比較常用的算法就是期望最大化算法，即Expectation-

Maximization（EM）算法，首先為參數(shù)賦予隨機(jī)初值，之后根據(jù)更新公式迭代的更新參數(shù)值直到算法收斂。其中更新步驟包括Expectation（E）步和Maximization（M）步：

①Expectation Step——隱含參數(shù)的估計(jì)，根據(jù)當(dāng)前的參數(shù)值計(jì)算隱含語義話題的后驗(yàn)概率P（d，w）；

②Maximization Step——確定實(shí)際參數(shù)，通過前面得到的參數(shù)的值最大化對數(shù)似然函數(shù)（公式2-1或者公式2-2），更新參數(shù)。

2.3 PLSA算法實(shí)現(xiàn)

本實(shí)驗(yàn)采用公式（2-2）的求解方法，求解P（z），P（w|z），P（d|z）。代碼設(shè)計(jì)過程如下：

需要聲明的變量：

double[][]p_dz，|D|*|Z|//P（d|z）

double[][]p_wz，|W|*|Z|//P（w|z）

double[]p_z，|Z|//P（z）

程序執(zhí)行步驟如下：

①讀取單詞對應(yīng)文檔的矩陣數(shù)據(jù)

ArrayList doc； // all the docs

DocWordPair （word_id， word_frequency_in_doc）

②變量初始化

給變量P_dz，p_wz和p_z賦一個(gè)隨機(jī)的double類型的值，滿足∑dp_dz=1，∑dp_wz，∑dp_z=1

③迭代，直到最大似然估計(jì)小于給定的值threshold

計(jì)算P（z|w，d）

根據(jù)P（z|w，d）更新p_dz，d_wz和p_z的值

計(jì)算最大似然估計(jì)的對數(shù)Log-likelihood，看兩次最大似然估計(jì)的差是否小于給定的閾值，差越小，越跟結(jié)果相似。

|Log-likelihood old_Log-likelihood|

④輸出p_dz，p_wz和p_z

3 公司話題趨勢分析及圖形化表達(dá)

3.1 Google Chart Tools

實(shí)驗(yàn)采用Google Chart來進(jìn)行公司話題趨勢的展示。Google Chart是谷歌公司推出的一款免費(fèi)的在線圖表制作工具，相對于其他在線圖表制作工具，Google chart 具有以下優(yōu)點(diǎn)：

①在Google Chart Tool中數(shù)據(jù)和表現(xiàn)是分離的， 是MVC的思想。這樣的好處是同一份數(shù)據(jù)可以用來顯示曲線圖，也可以顯示成柱狀圖等等。

②圖表呈現(xiàn)使用HTML5/SVG技術(shù)，提供跨瀏覽器兼容（包括舊版本的IE的VML）和跨平臺的可移植性，可以完美地顯示在iPhone，ipad以及Android上。這也是最主要的優(yōu)勢。

3.2 公司話題趨勢的圖形化表達(dá)

■圖4 Exxon Mobil公司話題趨勢

該部分實(shí)驗(yàn)是以利用專利所屬的類別名稱來表示公司話題的數(shù)據(jù)進(jìn)行的。以Exxon Mobil公司為例，其話題趨勢變化如圖4所示。從圖中的折線圖變化趨勢可以看出，從1976年至今Exxon Mobil公司一直致力于能源領(lǐng)域的工作，近年各個(gè)話題每年都有一定數(shù)量的專利發(fā)表，表明該公司研究方向沒有太大變化。

4 總結(jié)

話題提取旨在提取文檔集合中關(guān)鍵的、具有代表性的單詞，可以提高搜索效率和用戶體驗(yàn)，使學(xué)術(shù)信息檢索領(lǐng)域具有重要的意義和價(jià)值。在這篇論文中，我們以專利檢索系統(tǒng)Patent Miner為背景和數(shù)據(jù)來源，研究了公司話題提取的問題，主要基于PLSA話題模型來實(shí)現(xiàn)。通過對話題模型的學(xué)習(xí)、建模，實(shí)現(xiàn)了一個(gè)利用PLSA模型提取公司話題的系統(tǒng)。另外本文還根據(jù)專利自身的特點(diǎn)，探討了一下利用USPTO的分類信息代表公司話題的研究，并且利用Google Chart Tools將該方法提取的公司話題數(shù)據(jù)顯示在web頁面上，圖形顯示部分則在Patent Miner上應(yīng)用。

參考文獻(xiàn)：

[1]維基百科.Information overload[EB/OL].http：//en.wikipedia.org/wiki/Information_overload.

[2]S.Deerwester，S.T.Dumais，G.W.Furnas，et al.Indexing by latentsemantic analysis[J].Journal of the AmericanSociety for Information Science，1990，41（6）：391-407.

[3]Christos H.Papadimitriou，Hisao Tamaki，PrabhakarRagha-

van，et al.Latent semantic indexing：a probabilistic analysis[A]. Proceedings of the seventeenth ACM SIGACT-SIGMOD-SIG-

ART symposium on Principles of database systems，1998， 159-168.