情報分析中提取主題信息核心要素的模型及方法

田 麗

(韓城市司馬遷圖書館，陜西 韓城 715400)

0 引 言

主題內(nèi)容、主題詞與關(guān)鍵詞的收集和統(tǒng)計分析是情報分析的常規(guī)工作。某時間段大量出現(xiàn)的類似主題、主題詞或關(guān)鍵詞基本能夠反映相關(guān)事物的發(fā)展動態(tài)[1-3]。多個學(xué)科共同出現(xiàn)相關(guān)主題、主題詞或關(guān)鍵詞還能反映出熱點(diǎn)事物的動態(tài)[4-5]。隨著互聯(lián)網(wǎng)和各種互動平臺的出現(xiàn)，有關(guān)主題內(nèi)容挖掘和分析的研究成為情報與信息領(lǐng)域共同關(guān)注的問題。例如，文獻(xiàn)[6-11]在不同架構(gòu)、不同模式下探討了網(wǎng)絡(luò)主題信息的采集方法，文獻(xiàn)[12-13]針對科技文獻(xiàn)和項目的主題演化進(jìn)行了研究。

一個主題往往由若干核心要素組成，這些要素通常成為該主題的關(guān)鍵詞或者與關(guān)鍵詞密切相關(guān)，主題及其要素往往需要一定時間和一定數(shù)量的文獻(xiàn)經(jīng)充分論證、達(dá)成共識后凝集而成。鑒于論證者的分散獨(dú)立個體特性，單一文獻(xiàn)擬定的關(guān)鍵詞也具有個性特征，因此靠自然過程凝集出主題信息往往需要較長時間。情報分析的價值之一是對事件的預(yù)見性。從主題信息挖掘該主題涉及的核心要素，有利于解析主題信息的覆蓋和影響面，也是情報分析的一個非常重要的工作。

現(xiàn)有的有關(guān)主題信息挖掘的文獻(xiàn)報道，大多數(shù)都是采用網(wǎng)絡(luò)爬蟲技術(shù)從關(guān)鍵詞或主題詞綜合演繹出主題內(nèi)容，是“關(guān)鍵詞主題信息”的挖掘模式。這個結(jié)論可以從文獻(xiàn)[14]的綜述得到。這個挖掘模式不能“通過主題信息挖掘主題的核心要素”，即無法實現(xiàn)“主題信息關(guān)鍵詞”的挖掘。鑒于此，本文開展“主題信息關(guān)鍵詞”的挖掘模式研究，建立一個情報主題空間的模型，給出一種挖掘方法。本文的模型和方法可實現(xiàn)從主題信息中分析挖掘出相關(guān)的關(guān)鍵詞。

1 基本原理和思想

根據(jù)統(tǒng)計學(xué)原理，大量頻繁出現(xiàn)與某事物相關(guān)聯(lián)的個性數(shù)據(jù)能反映該事物的部分本質(zhì)。本章基于該原理，結(jié)合向量空間與隨機(jī)事件空間的構(gòu)造理論，建立情報主題空間的數(shù)學(xué)模型，并通過例子說明模型的意義。

1.1 主題空間模型

將全體與情報主題有關(guān)的信息集合視作一個情報主題空間，簡稱主題空間。例如，若情報主題為科研選題，則全部有關(guān)科研選題的情報信息集合構(gòu)成科研選題主題空間，記為Σ。根據(jù)統(tǒng)計學(xué)原理，主題空間是一個隨機(jī)信息事件空間，空間的每個事件(每條信息，也稱元素)是由若干獨(dú)立的基本事件經(jīng)布爾運(yùn)算(交∩、并∪、差-)形成的。主題空間里獨(dú)立基本事件稱為空間的基?；侵黝}空間表示事件的基本單位。任意2個基之間的交集是空集。這是基的獨(dú)立性表現(xiàn)。基信息連同其同義與近義信息稱為基的擴(kuò)充。擴(kuò)充可以用程度詞關(guān)系進(jìn)行量化。例如，“新”擴(kuò)充為“很新”、“半新”、“9成新”和“高新”等等?！皠?chuàng)造”、“原創(chuàng)”、“創(chuàng)新”都是“創(chuàng)”的擴(kuò)充。也就是說，如果α是主題空間的一個基，則kα是其擴(kuò)充，這里k≥0。其中，k=0的情形稱為基的剔除，表明某個事件中不包含該基的關(guān)聯(lián)信息。如無特別說明，基α及其擴(kuò)充kα統(tǒng)稱為基，其中α稱為基核。基中核以外的部分kα-α稱為基裹，這里的減號是布爾差運(yùn)算。主題空間全體基的個數(shù)就是空間的維數(shù)。

如α1，α2，…,αN是主題空間Σ的N個基，則它們具有以下性質(zhì)：

1)確定性，也稱作有效性。任意基與自身的交、并都是其自身，即αi∩αi=αi，αi∪αi=αi。基與自身的差是一個剔除，即αi-αi=?。

2)擴(kuò)充性。任意基的核都可擴(kuò)充，即kα運(yùn)算是有效的運(yùn)算。

同時結(jié)合集合運(yùn)算法則，引進(jìn)各種運(yùn)算律：

1)數(shù)乘律：(kα)∩β=k(α∩β),(kα)∪β=k(α∪β)。

2)交換律：α∩β=β∩α，α∪β=β∪α。

3)結(jié)合律:(α∩β)∩γ=α∩(β∩γ),(α∪β)∪γ=α∪(β∪γ)。

4)分配率:α∩(β∪γ)=(α∩β)∪(α∩γ)，α∪(β∩γ)=(α∪β)∩(α∪γ)。

有了基的概念，就可以建立主題事件的概念。

主題空間的一個信息事件e是由空間的基通過布爾并聚合而成的元素：

(1)

在N維主題空間中，不足N個基聚合而成的事件稱為殘缺事件。殘缺事件是主題空間里面信息不全面的事件。由同一組基聚合的事件構(gòu)成空間中的子空間。殘缺事件也可構(gòu)成殘缺子空間。限于篇幅，這里不延伸相關(guān)內(nèi)容。

由基α1，α2，…,αN決定的主題空間Σ記為：

Σ=span{α1,α2,…,αN}

(2)

事件的模數(shù)是度量事件大小(影響程度)的一個數(shù)量。約定基核的模數(shù)是1，按照式(1)聚合的事件e的模數(shù)記為‖e‖，其計算方法為式(3)：

‖e‖=k1+k2+…+kN

(3)

(4)

與同向量空間每個向量在基的方向上有分量一樣，e在基αi方面的分量定義為式(5)：

ei=e∩αi

(5)

由此得到聚合事件e的分量表示法如式(6)：

e=(e1,e2,…,eN)

(6)

第i個分量ei的模數(shù)‖ei‖為：

‖ei‖=kii=1,2,…,N

(7)

據(jù)此，每個分量對整個事件影響的權(quán)重(程度)P(ei)為式(8)：

(8)

這正好是事件中某個要素出現(xiàn)的概率值或頻度。至此，完成了主題空間基本結(jié)構(gòu)的數(shù)學(xué)建模，并得到了通過事件挖掘關(guān)鍵詞的基本方法，即式(5)～式(8)。

1.2 主題空間的實例

為便于應(yīng)用，本節(jié)給出2個實例說明主題空間。

1.2.1 生產(chǎn)力主題的主題空間

根據(jù)生產(chǎn)力的三要素，勞動力、生產(chǎn)對象和生產(chǎn)資料是生產(chǎn)力主題空間的3個基；勞動力、生產(chǎn)對象和生產(chǎn)資料3個信息要素之間的任意2個沒有交集，但是它們的任意組合都會產(chǎn)生與生產(chǎn)力主題相關(guān)的信息元素。因此，以生產(chǎn)力為主題的主題空間是一個三維主題空間。這是最便于理解主題空間的例子。

1.2.2 金融主題的主題空間

金融對象、金融方式、金融機(jī)構(gòu)、金融場所和金融制度是金融的5大要素。其中，除第五要素金融制度以外，其他都具有擴(kuò)充性。例如金融對象可以是貨幣或者有價標(biāo)的物；金融方式有借貸、證券投資等；金融機(jī)構(gòu)有各種銀行、證券交易所和其他機(jī)構(gòu)，金融場所則包括但不限于銀行和證券交易所的多個場合。

由此可見，金融主題衍生的主題空間是一個很復(fù)雜的高維空間。據(jù)此可知，目前比較受關(guān)注的“科技金融融合”主題將會衍生更加復(fù)雜的主題空間。這也是為什么國家非常重視這個主題的發(fā)掘的原因。

2 基于主題信息提取分量的策略

主題信息大致可以分為3類：第一類是經(jīng)歷史發(fā)展已成型形成共識、基本要素大致固定的主題信息，如前述例子所述生產(chǎn)力、金融等；第二類是雖未成型但大體有了共識、基本要素趨于固定；第三類是新產(chǎn)生、基本要素處于發(fā)散狀態(tài)的。第一類信息對人們工作和生活的影響已經(jīng)成為固定模式，第二類信息通常對人們近階段的工作和生活產(chǎn)生較大影響且具有引導(dǎo)性，而第三類則尚不能對人們的生活和工作產(chǎn)生引導(dǎo)性的影響。例如，金融、金融科技融合分屬第一、第二類信息。前者的模式已經(jīng)固定，而后者則產(chǎn)生了像“互聯(lián)網(wǎng)+金融”等模式的各種發(fā)展。鑒于此，本文重點(diǎn)關(guān)注第二類信息。

2.1 基于主題的提取分量思想

第二類信息的特點(diǎn)是：主題信息的要素集趨于收斂，需要通過挖掘和分析才能得到最大化反映主題核心思想的要素。這類似數(shù)學(xué)中求極限的過程：一個無窮序列的極限是存在的，請找到合適方法把它求出來。

為了達(dá)到所述目的，首先將主題空間拓展為無窮維空間。假定空間Σ有無窮個基,即：

Σ=span{α1,α2,…,αN,…}

那么根據(jù)式(5)可知，第i個基αi將對空間事件的第i個分量產(chǎn)生影響。根據(jù)式(8)，這個影響將以該分量出現(xiàn)的概率或頻度表現(xiàn)。根據(jù)統(tǒng)計學(xué)原理，舍棄那些出現(xiàn)頻度較小的基，得到一個最大近似空間：

s.t P(αi)≥P(αi+1), i=1,…,m-1;P(αm)?P(αm+j), j=1,2,…

2.2 種子培育法

在文獻(xiàn)中，關(guān)鍵詞是反映主題信息的重要要素。一個作者撰寫文章公開其思想、方法或結(jié)果，都需要擬定最能反映其主題的關(guān)鍵詞。2.1節(jié)給出了通過主題信息提取構(gòu)成主題關(guān)鍵要素的基本思想——通過分析主題信息相關(guān)聯(lián)關(guān)鍵詞的頻度來獲取最大近似主題空間。本節(jié)介紹一種具體實現(xiàn)方法，筆者稱之為“種子培育法”。

種子培育法包含選種、育苗和收獲這3個環(huán)節(jié)。

1)選種階段。

第一步：隨機(jī)地從文獻(xiàn)庫中挑選出與主題信息相關(guān)的若干文獻(xiàn)，形成備種文獻(xiàn)集合W0；

第二步：提取W0中的關(guān)鍵詞形成備種詞集K0；

第三步：在K0中挑選頻度高(>75%)的關(guān)鍵詞作為種子集S0。

2)育苗階段。

第一步：將S0關(guān)鍵詞分拆成單字得到集合K1；

第二步：將K1的單字組合成有效詞語集合K2；

第三步：分別將K1、K2的元素作為檢索條件，在文獻(xiàn)庫里檢索與主題信息相關(guān)的文獻(xiàn)得到S1與S2。檢索策略為：

主題信息*(k1,1OR k2,1OR … OR kN,1)；

主題信息*(k1,2OR k2,2OR … OR kN,2)；

這里，ki,1∈K1，ki,2∈K2。

3)收獲階段。

第一步：將S1和S2里的關(guān)鍵詞提取出來匯集成K3；

第二步：按照頻度高低對K3里面的關(guān)鍵詞進(jìn)行排序；

第三步：選取高頻度(>80%)的關(guān)鍵詞作為主題要素。

2.3 方法有效性的分析

從種子培育法的3個階段及其具體做法可以看出，選種階段可獲取少量樣本中有代表性的關(guān)鍵詞。在育苗階段，將前階段的關(guān)鍵詞進(jìn)行單字分拆和再組合，實際上是擴(kuò)大了有關(guān)聯(lián)關(guān)鍵詞的范圍，從而增加了搜索樣本的數(shù)量，確保樣本的廣泛性。收獲階段在已經(jīng)擴(kuò)大廣泛性的樣本里面提取高頻度的關(guān)鍵詞，確保這些關(guān)鍵詞在廣泛基礎(chǔ)上的代表性。根據(jù)統(tǒng)計學(xué)原理，它們屬于“大量頻繁出現(xiàn)與主題信息關(guān)聯(lián)的個性數(shù)據(jù)”，能反映主題信息的本質(zhì)。整個提取過程好似“播下幾粒種子，培育一片樣本，收獲厚實的果實”。

3 應(yīng)用分析及案例

從主題信息挖掘該主題涉及的核心要素，與從關(guān)鍵詞挖掘主題信息是逆向的操作，相關(guān)的應(yīng)用場合不盡相同。本章分析這種差異，并給出一個本文模型的應(yīng)用案例。

3.1 應(yīng)用場合

表1 2種不同挖掘模式的比較

3.2 案例——科研選題核心要素的挖掘

科研選題是每個科技工作者面臨的問題。一個好的選題往往能使科研工作順利獲得立項、開展研究并產(chǎn)生預(yù)期效果。過去20多年來，如何開展科研選題也是眾多學(xué)者關(guān)注和研究的課題。從CNKI數(shù)據(jù)庫里可以檢索出10多萬篇涉及選題原則和要素的文章。但是這些文章都是基于作者個人的主觀論述，缺乏科學(xué)層面的數(shù)據(jù)支持。為此，筆者基于前述模型和策略，對科研選題這一主題的核心要素進(jìn)行挖掘。

利用關(guān)鍵詞挖掘分析工具“金花關(guān)鍵詞軟件”，從CNKI選取近20年有關(guān)科研選題的文獻(xiàn)，發(fā)現(xiàn)有20多個相關(guān)的關(guān)鍵詞，其中“前瞻性”“超前性”“新穎性”“創(chuàng)新性”“科學(xué)性”“務(wù)實性”“必要性”“充分性”“可行性”“可靠性”“可能性”“實用性”“應(yīng)用性”等是出現(xiàn)頻率較高的詞語。

分別采用單字統(tǒng)計和合字統(tǒng)計的分析表明，單字“新”“學(xué)”這2個字出現(xiàn)的頻度超過95%，“要”“行”“用”這3個字的頻度超過90%，“靠”“能”這2個字的頻度大于75%，而“瞻”“前”的頻度低于65%。以頻度超過75%的單字來組合“創(chuàng)新”“新穎”“科學(xué)”“學(xué)術(shù)”“必要”“需要”“實用”“應(yīng)用”“可行”“可能”“可靠”“充分”的分析結(jié)果見表2。采用其他組合分析出頻度都低于70%，限于篇幅這里不列舉。

表2 關(guān)鍵詞雙字出現(xiàn)頻度

考慮到“必要”“需要”“實用”“應(yīng)用”都屬于務(wù)實性的范疇，“可行”“充分”“可靠”屬于同一范疇，由此總結(jié)出科研選題需要關(guān)注的5大要點(diǎn)：創(chuàng)新性、科學(xué)性、務(wù)實性、必要性和可行性。在此基礎(chǔ)上，可建立選題評價模型。筆者對此也做過研究，相關(guān)研究結(jié)果即將在《人類工效學(xué)》見刊，限于篇幅，這里不贅述。

4 結(jié)束語

一個主題概念往往是在大量的分散論證后趨于集中和成型的。由于分散論證通常具有強(qiáng)烈的個性特征，任何一個個案的論述都不能形成主題概念的核心要素。只有大量出現(xiàn)、趨于統(tǒng)一、具有共性的關(guān)鍵要素才能形成公認(rèn)的權(quán)威的觀點(diǎn)?；谶@樣的考慮，筆者通過建立主題空間模型、踐行“種子培育法”，得出從主題信息挖掘其要素的基本策略。本文對于幫助情報分析人員從大量個案論述中挖掘權(quán)威共識要素的工作具有參考價值；對于科技人員確定研究突破點(diǎn)也有一定的幫助。筆者也希望本文能夠拋磚引玉，得到更多同行的關(guān)注并取得更多成果。

致謝：王興波教授對于本文主題空間建模給出了諸多指導(dǎo)，筆者在此表示由衷的感謝。