基于LDA主題模型的短文體自媒體結構化分類方法研究

李賢陽 邱桂華 陽建中 李長彬

摘要：針對傳統(tǒng)文本處理中非作用詞的存在影響主題的可解釋性，以及短文本篇幅短小、特征不明顯等問題，提出了一種基于LDA模型的主題分類的改進算法。該算法通過信息的增益來過濾文本，同時與最優(yōu)主題的選擇方法相結合，利用算法建立起的分類規(guī)則對文本進行分類。實驗結果表明，該方法通過改變作用詞占比、特征詞典的大小，可以有效的提升文本分類的準確性。

關鍵詞：LDA模型;短文本分類;主題模型

中圖分類號：TP391.1 文獻標志碼：A 文章編號：1008-4657（2019）06-0005-04

0 引言

隨著移動互聯(lián)網(wǎng)的飛速發(fā)展，人們的日常生活被QQ、微博、微信等網(wǎng)絡信息所包圍。這些信息都有同一個特點：他們都以短文本為信息表現(xiàn)形式，具有詞匯少、特征維度高、稀疏等特點[1-2]。因此，對于信息快速分類的需求日益高漲，短文本分類技術在信息檢索、搜索引擎、話題跟蹤等領域越來越受到研究人員的關注[3]。

在主題挖掘的對象變?yōu)槲⒉┻@樣的短文本數(shù)據(jù)時，傳統(tǒng)的主題模型就變得不那么合適了，其原因主要有以下兩點：1、如果用針對長文本的分類方法計算短文本的詞頻-逆文本頻率（TF-IDF），其上下文關聯(lián)性強，易丟失短文本語義信息。2、短文本的特點是篇幅短而特征維度高，特征向量稀疏，使用傳統(tǒng)的LDA模型可能無法取得良好的效果。針對以上短文本的分類研究目前還較為稀少，短文本的分類問題尚未得到解決。

1 潛在狄利克雷分布

潛在狄利克雷分布模型通過引入文本主題分布思想，有效實現(xiàn)了對文本的降維表示，并在文本信息處理領域得到了廣泛的應用[4-6]。LDA的結構，是由三層貝葉斯網(wǎng)絡組成的，分別為詞層、主題層、文檔層?？梢赃@樣認為：許多個主題構成了一篇篇文章，而這些主題又是由許多個特征詞匯組成的[7]，其拓撲結構如圖1所示。

根據(jù)LDA模型生成的過程可得到，在這些模型參數(shù)里，單詞概率分布φ和主題概率分布θ需要重點關注。

與生成過程相比，LDA參數(shù)估計意味著在固定文本數(shù)據(jù)集的情況下，預測未知的參數(shù)模型。面對這種情況，當下常用的參數(shù)估計方法是Gibbs抽樣[8]，首先對主題進行采樣，然后根據(jù)每個特征詞的頻率進行采樣最后，計算了相關參數(shù)的估計結果。Gibbs抽樣下LDA模型參數(shù)φ和θ的計算公式，具體如下：

其中，θl，m指在文檔l中第m個主題的分布概率;φm，n指詞項n在主題m中的分布概率;nml表示在文檔l中出現(xiàn)主題m的頻數(shù);nnm表示在主題m下詞項n出現(xiàn)的頻數(shù);αm對應于主題m下的狄利克雷先驗;βn對應于詞項n下的狄利克雷先驗。

將LDA模型與參數(shù)估計思想相結合，使得LDA模型獲得了在無監(jiān)督條件下將文檔中主題與特征詞提取出來的能力。因此，當預測重大事件的趨勢時，它可以替代專家知識，利用海量的新聞數(shù)據(jù)作為驅(qū)動力，來構建語義特征的指標。

2 基于LDA主題模型的改進算法

本節(jié)所討論的內(nèi)容針對微博微信中存在的短文本信息。綜合詞類特征和語義特征的短文本分類算法的處理流程如下：首先，采用信息增益濾波方法從短文本中選出最具代表性的詞，稱為特征詞，使用LAD主題模型，可以根據(jù)這些眾多的特征詞構建對應的主題分布，選取其中一個最合適的文本主題，接下來把項目特征加入到特征字典中，得到一個新的短文本特征。在經(jīng)過上述步驟之后，建立起新的分類規(guī)則對文本進行分類，算法框架如圖3所示。

2.1 基于信息增益過濾的文本分類方法

利用LDA模型，來對文本進行建模，可以分析出文本的各個主題。例如通過搜索引擎進行建模，可以獲取關鍵字“大數(shù)據(jù)”下的許多內(nèi)容，有“模型、網(wǎng)絡、算法、樣本、一種、他們”等。可以十分顯然的明白，“算法”這樣的詞匯比“一種”包含更多的信息量，而“他們”屬于“非作用詞”，對于分類毫無實際作用。

本文用信息增益來表示文本詞匯有作用的程度，使用信息的增益來對文本信息進行過濾，能夠有效提升文本分類的效率。利用信息的增益來衡量文本中的詞匯對于文本的分類有無作用，并根據(jù)該作用的程度進行排序，保存那些對于分類作用大的詞匯，過濾那些對分類無作用的詞匯。由于主題是否對文本分類有作用是通過詞匯來表現(xiàn)的，如果在對于分類有作用的主題中出現(xiàn)非作用詞，將會降低文本分類的有效性和主題的可解釋性;如果在對于分類無作用的主題中出現(xiàn)非作用詞，就更加應該去除。綜上所述，基于信息增益和LDA模型的短文本分類可以提高短文本分類的性能。

利用LDA模型對文本進行建模，可以得到文本在主題上的分布。設主題數(shù)為k，則：

2.2 最優(yōu)主題的選擇方法

在本文研究的文本分類方法當中，主題是否對文本分類有作用是通過詞匯來表現(xiàn)的。然而，在許多短文本中，詞匯內(nèi)容多樣而分散，對主題尋找形成了不小的挑戰(zhàn)。對此，文章借助百度詞庫，以大量相似主題的長文本為參照，通過LDA模型進行訓練，以期能夠提升短文本在該算法中運用的分類性能。本節(jié)主要是對算法中如何選擇最優(yōu)主題進行了研究，最優(yōu)的主題意味著該主題擁有最強的文本區(qū)分能力。因此，對主題進行加權，權重值的大小表示每個主題區(qū)分不同類別的能力。話題權重值越大，話題區(qū)分不同類別的能力越強。

具體算法步驟如下：

1、利用LDA主題模型對背景知識進行建模，獲得其相應的隱含的主題分布d=t1，t2，…，tk;

2、設主題權重向量W=ωt1，ωt2，…，ωtk，初始化ωti=0;

3、對每一個長文本找出n個同類文本和n個不同類文本;

4、計算k個不同的主題分布權重值ωti;

5、選取權重值ωti最大的主題作為最優(yōu)主題。

最后，基于信息增益的分類算法和最優(yōu)主題算法，可以得到一個基于短文本的特征函數(shù)Fd=ωd，α·k，其中，α為文本中作用詞占文本詞匯的比例，ωd為特征詞典的權重向量。

3 實驗分析

為了充分驗證本文所研究的基于LDA模型改進的文本分類方法，實驗從百度詞庫中對數(shù)據(jù)進行爬蟲獲取，包含了政治、經(jīng)濟、社會、教育、體育、IT、醫(yī)療等七個大類。在七個大類中隨機選取7 000個文本，在分類時平均分成7個組，進行交叉測試，設LDA主題數(shù)量為70，訓練樣本數(shù)與測試樣本數(shù)按7∶3劃分，訓練迭代次數(shù)為2 000，測試迭代次數(shù)為4 000。

4 總結

鑒于傳統(tǒng)文本處理中，非作用詞的存在影響主題的可解釋性，以及短文本篇幅短小、特征不明顯等問題，提出了一種基于LDA主題模型的文本分類改進算法。首先采用信息增益過濾的文本分類方法，對非作用詞進行有效過濾，同時與最優(yōu)主題的選擇方法相結合，建立起新的分類器對文本進行分類。通過實驗改變作用詞占比、特征詞典的大小，可以有效的提升文本分類的準確性，驗證了該種算法的有效性。

參考文獻：

[1] 錢勝勝，張?zhí)熘斐?多媒體社會事件分析的研究與展望[J].南京信息工程大學學報（自然科學版），2017，9（6）：599-612.

[2] 曾子明，楊倩雯.基于LDA和AdaBoost多特征組合的微博情感分析[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2018，2（8）：51-59.

[3] 張志飛，苗奪謙，高燦.基于LDA主題模型的短文本分類方法[J].計算機應用，2013，33（6）：1 587-1 590.

[4] Zhou T，LYU R T，King I.Learning to Suggest Questions in Social Media[J].Knowledge & Information Systems，2015，43（2）：389-416.

[5] Blei D，Ng A，Jordan M.Latent Dirichlet Allocation[J].Journal of Machine Learning Research，2003（3）：993-1 022.

[6] 邱先標，陳笑蓉.一種基于SA-LDA模型的文本相似度計算方法[J].計算機科學，2018，45（S1）：106-109，139.

[7] 韓忠明，張夢玫，李夢琪，等.面向復雜主題建模的流式層次狄里克雷過程[J].計算機學報，2019，42（7）：1 539-1 552.

[8] 張小平，周雪忠，黃厚寬，等.一種改進的LDA主題模型[J].北京交通大學學報，2010，34（2）：111-114.

[責任編輯：許立群]