基于在線研討平臺(tái)的言語(yǔ)行為分類體系構(gòu)建

胡 萍

（合肥學(xué)院 管理系，安徽 合肥 230022）

以群件、即時(shí)通訊工具、網(wǎng)絡(luò)論壇、新聞和郵件列表為代表的在線群體研討平臺(tái)產(chǎn)生的海量數(shù)據(jù)［1］，常常超出其處理信息的能力。依靠傳統(tǒng)人工分析文本的做法，不僅費(fèi)時(shí)、費(fèi)錢(qián)、費(fèi)力，而且通常不能全天循環(huán)工作［2］。因此，基于在線研討平臺(tái)的言語(yǔ)行為分類體系研究，即研究如何讓機(jī)器自動(dòng)分析文本，判斷研討狀態(tài)，并根據(jù)這些數(shù)據(jù)為討論群體提供半自動(dòng)或自動(dòng)的干涉和輔助，就成為一個(gè)非常有意義的課題。

言語(yǔ)行為理論［3］認(rèn)為，人們說(shuō)話的同時(shí)是在實(shí)施某種行為，這種行為是通過(guò)語(yǔ)言表達(dá)完成的。一個(gè)言語(yǔ)行為體系由兩個(gè)因素組成。一方面，對(duì)言語(yǔ)行為的標(biāo)注必須十分清晰，這樣才有足夠的識(shí)別力。如果不是這樣，標(biāo)注者之間的統(tǒng)一性就會(huì)很低。另一方面，定義一個(gè)可以重用的分類體系可以提高效率，因?yàn)檫@樣的分類體系可以很容易地應(yīng)用于其他領(lǐng)域。大多數(shù)時(shí)候，人們會(huì)采用一部分已有的言語(yǔ)行為類別，然后自定義一些言語(yǔ)行為類別。

研討理論（Argumentation Theory）［4］是用來(lái)描述如何研討的理論。Toulmin提出了一套比較完備的知識(shí)表達(dá)結(jié)構(gòu)，用來(lái)支持辯論過(guò)程中的知識(shí)表達(dá)和文本組織。Brockriede和Ehninger采用Toulmin的觀點(diǎn)，將研討描述為“從事實(shí)出發(fā)，通過(guò)推理，最后得出結(jié)論”［5］。

一、選擇兩種典型的在線研討平臺(tái)作為研究環(huán)境

根據(jù)研討的時(shí)間、人力、資源壓力，我們可以將在線研討平臺(tái)分為同步研討和異步研討兩種工作平臺(tái)。同步研討就是所有用戶同時(shí)在線，并在有時(shí)間壓力的情況下進(jìn)行討論交流；異步研討就是用戶根據(jù)自己的時(shí)間安排選擇適當(dāng)?shù)臅r(shí)候上線，在沒(méi)有時(shí)間壓力的情況下進(jìn)行討論交流。同步研討平臺(tái)和異步研討平臺(tái)是兩種最具代表性的在線研討平臺(tái)。

在研究過(guò)程中，首先，收集研討平臺(tái)對(duì)應(yīng)的語(yǔ)言資料，提出相應(yīng)的言語(yǔ)行為分類體系；然后，在語(yǔ)料標(biāo)注和正確選擇初始特征集的基礎(chǔ)上，設(shè)計(jì)言語(yǔ)行為分類所用的機(jī)器學(xué)習(xí)算法；在學(xué)習(xí)算法設(shè)計(jì)好以后，再進(jìn)行系統(tǒng)評(píng)估。在整個(gè)研究過(guò)程中，各個(gè)步驟可能需要反復(fù)多次調(diào)整，才能達(dá)到較好的效果。因此，這是一個(gè)螺旋式推進(jìn)的過(guò)程。

二、構(gòu)建在線研討言語(yǔ)行為分類體系

為了構(gòu)建在線研討言語(yǔ)行為分類體系，需要收集大量的語(yǔ)言資料，聘請(qǐng)專家閱讀這些資料，在前人類似研究的基礎(chǔ)上提出新的言語(yǔ)行為分類體系，并且，這個(gè)體系需要通過(guò)評(píng)估者間的信度測(cè)試。為了說(shuō)明一個(gè)言語(yǔ)行為分類對(duì)于研討是有效的，我們需要保證這個(gè)分類是客觀存在并且可重復(fù)操作和調(diào)整的，方法就是測(cè)試評(píng)估者間的信度。評(píng)估者間的信度給出了測(cè)量不同主觀判斷之間一致性的值。如果評(píng)估者之間沒(méi)有足夠的一致性，要么是因?yàn)榍捌谥笜?biāo)設(shè)計(jì)有問(wèn)題，要么是因?yàn)樵u(píng)估者理解指標(biāo)有缺陷。

語(yǔ)料標(biāo)注。語(yǔ)料標(biāo)注就是人工標(biāo)注發(fā)言所屬的行為，有時(shí)還要手工標(biāo)注關(guān)鍵特征。語(yǔ)料標(biāo)注工作量比較大，也是解決分類問(wèn)題和基于機(jī)器學(xué)習(xí)算法必不可少的內(nèi)容。為了進(jìn)行語(yǔ)料標(biāo)注，首先需要制定一個(gè)標(biāo)準(zhǔn)格式?；赬ML語(yǔ)法的標(biāo)注方法是目前比較流行的，因?yàn)閄ML格式的數(shù)據(jù)本身能夠自說(shuō)明，并且有眾多的工具可以進(jìn)行后期處理。當(dāng)資料較多、標(biāo)注任務(wù)較繁重時(shí)，一個(gè)人難以完成。如果讓幾個(gè)人來(lái)標(biāo)注語(yǔ)料，在開(kāi)始標(biāo)注前就應(yīng)該對(duì)所有標(biāo)注者進(jìn)行培訓(xùn)，只有所有標(biāo)注者間的信度達(dá)到預(yù)定的水平，正式的標(biāo)注工作才可以開(kāi)始，這樣結(jié)果才能達(dá)到足夠的一致性。

初始特征集的選擇。許多特征類別包含的特征數(shù)目是固定不變的。例如，句法特征中的標(biāo)點(diǎn)符號(hào)特征的個(gè)數(shù)就是固定的，因?yàn)闃?biāo)點(diǎn)符號(hào)的個(gè)數(shù)是固定的；鏈接特征、風(fēng)格特征和用戶特征的個(gè)數(shù)也是固定的。但是，言語(yǔ)行為分類的一個(gè)巨大挑戰(zhàn)是特征空間的維數(shù)過(guò)大。由于采用向量空間模型，原始特征空間通常由出現(xiàn)在文檔中的唯一的terms（words或phrases）組成，而一個(gè)中等大小的文本集合可能包含幾萬(wàn)到幾十萬(wàn)個(gè)terms。這樣的維數(shù)對(duì)于許多學(xué)習(xí)算法來(lái)說(shuō)都過(guò)大了。因此，在不影響分類精度的情況下，減少原始的維數(shù)就變得非常必要。而且，自動(dòng)實(shí)現(xiàn)這一目標(biāo)也非常重要，即不需要手工定義或構(gòu)建特征。自動(dòng)特征選擇方法包括根據(jù)語(yǔ)料統(tǒng)計(jì)除去那些無(wú)關(guān)的terms，以及通過(guò)將低層特征（如terms）合并成高層的正交維數(shù)的方法來(lái)構(gòu)建新的特征。基于n－grams的特征數(shù)目幾乎是無(wú)窮的。因此，n－grams空間的大小成為言語(yǔ)分類過(guò)程中非常重要的一個(gè)閥值。

設(shè)計(jì)機(jī)器學(xué)習(xí)算法。在語(yǔ)料標(biāo)注和正確選擇初始特征集的基礎(chǔ)上，設(shè)計(jì)機(jī)器學(xué)習(xí)算法，最終完成對(duì)言語(yǔ)行為的有效分類。言語(yǔ)行為分類可以采用多種機(jī)器學(xué)習(xí)算法。其中最為成功的兩種方法是基于轉(zhuǎn)換的學(xué)習(xí)（Transformation Based Learning，TBL）和支持向量機(jī)（Support Vector Machine，SVM）。TBL算法以帶有一定激發(fā)環(huán)境的轉(zhuǎn)換式的方式存在，獲取所需的規(guī)則，易懂直觀，這樣既不需要花費(fèi)大量的機(jī)器存儲(chǔ)空間，又可從一定程度上避免數(shù)據(jù)稀疏的問(wèn)題。其基本思想是，用已標(biāo)注過(guò)的文字作為訓(xùn)練資料庫(kù)。首先采用一種初始標(biāo)注方法對(duì)語(yǔ)料進(jìn)行標(biāo)注，然后將結(jié)果與正確的文本進(jìn)行對(duì)比，通過(guò)預(yù)先設(shè)計(jì)好的目標(biāo)函數(shù)和轉(zhuǎn)換模板，找出應(yīng)用轉(zhuǎn)換模板后標(biāo)注錯(cuò)誤次數(shù)最少的轉(zhuǎn)換式，作為系統(tǒng)的新的標(biāo)注規(guī)則，再用該規(guī)則重新標(biāo)注語(yǔ)料。重復(fù)上述過(guò)程，每次轉(zhuǎn)化都會(huì)得到一條新的規(guī)則，直到找不出有價(jià)值的規(guī)則為止。SVM算法是一種實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化的方法，其被廣泛應(yīng)用于模式識(shí)別和機(jī)器學(xué)習(xí)，也被應(yīng)用于言語(yǔ)行為分類。它的機(jī)器學(xué)習(xí)策略是保持經(jīng)驗(yàn)風(fēng)險(xiǎn)值固定而最小化置信范圍。SVM算法通過(guò)核函數(shù)將向量映射到一個(gè)更大維數(shù)的空間中，在這個(gè)空間里建立一個(gè)最大間隔超平面來(lái)將兩類樣本點(diǎn)分開(kāi)，從而縮小n－grams空間，緩解數(shù)據(jù)稀疏問(wèn)題和過(guò)擬合的問(wèn)題。

三、系統(tǒng)評(píng)估

常用的評(píng)估機(jī)器學(xué)習(xí)性能的方法有n－fold cross validation和 bootstrap兩種。N－fold cross validation方法將數(shù)據(jù)分成n（通常n＝10）份，將其中n－1份作為訓(xùn)練數(shù)據(jù)，最后1份作為測(cè)試數(shù)據(jù)。系統(tǒng)的綜合性能就是這n次結(jié)果的平均值。Bootstrap方法則是從訓(xùn)練集中用隨機(jī)的方法選擇一定數(shù)量的數(shù)據(jù)作為測(cè)試原始集，其他的數(shù)據(jù)作為訓(xùn)練集。這樣重復(fù)n（通常n＝50）次，這n次的測(cè)試結(jié)果就是系統(tǒng)的綜合性能。人們可以根據(jù)研究問(wèn)題的不同特征，選擇適合在線研討平臺(tái)的系統(tǒng)評(píng)估方法。

［1］ Koppel M.，Argamon S.，Shimoni A.R.Automatically Categorizing Written Texts by Author Gender［J］.Literary and Linguistic Computing，2002（4）.

［2］ 程少川，張朋柱.電子公共大腦設(shè)計(jì)的信息組織研究［J］.西安交通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2001（1）.

［3］ Li，J.，Zhang，P.Z.，Cao，J.W.External Concept Support for Group Support Systems through Web Mining［J］.Journal of the American Society for Information Science and Technology，2009（5）.

［4］ Limayem M.，DeSanctis G.Providing Decisional Guidance for Multicriteria Decision Making in Groups［J］.Information Systems Research，2000（4）.

［5］ 蔣御柱，張朋柱，張興學(xué).群體研討支持系統(tǒng)中的智能可視化研究［J］.管理科學(xué)學(xué)報(bào)，2009（3）.