基于LDA的中小企業(yè)科技需求關(guān)鍵信息提取方法

張震

關(guān)鍵詞：LDA 主題模型；文本預(yù)處理；關(guān)鍵詞提取技術(shù)；企業(yè)科技需求

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）02-0016-04

1 概述

中小企業(yè)在我國(guó)的經(jīng)濟(jì)發(fā)展中的地位十分重要，在促進(jìn)經(jīng)濟(jì)發(fā)展的同時(shí)，更能維護(hù)社會(huì)穩(wěn)定。在協(xié)同創(chuàng)新模式下，中小企業(yè)的核心技術(shù)升級(jí)和企業(yè)綜合發(fā)展的壓力隨之而來(lái)。中小企業(yè)的不足之處在于其高技術(shù)人才儲(chǔ)備量不足，科學(xué)技術(shù)團(tuán)隊(duì)發(fā)展不夠先進(jìn)，在人才競(jìng)爭(zhēng)方面處于劣勢(shì)，當(dāng)遇到企業(yè)科技需求問(wèn)題自身不能更好解決時(shí)，往往通過(guò)企業(yè)家自身的社會(huì)關(guān)系尋找相關(guān)的專家或團(tuán)隊(duì)來(lái)解決難題，但最終成效往往取決于企業(yè)家自身所擁有的資源水平。所以，科技需求關(guān)鍵詞的提取技術(shù)與科技協(xié)同創(chuàng)新平臺(tái)相結(jié)合，將中小企業(yè)需求信息精準(zhǔn)推薦給高校、研究所和科研團(tuán)隊(duì)，搭建企業(yè)與高校、研究所、科研團(tuán)隊(duì)所組成的科技協(xié)同，使中小企業(yè)的科技需求問(wèn)題得到更好的解決方案[1]。

2相關(guān)研究

針對(duì)企業(yè)需求方面，文獻(xiàn)[2]分析了在企業(yè)建模過(guò)程中使用機(jī)器學(xué)習(xí)方法是可行的，王學(xué)娟[3]提出了GM（1，1）模型和BP人工神經(jīng)網(wǎng)絡(luò)組合的企業(yè)人力資源需求預(yù)測(cè)模型來(lái)解決企業(yè)人力資源需求問(wèn)題，但沒有與高?；蚩蒲袌F(tuán)隊(duì)結(jié)合。李瑩[4]通過(guò)主題模型的應(yīng)用構(gòu)建企業(yè)技術(shù)需求文本的向量空間模型對(duì)專家進(jìn)行匹配，重點(diǎn)針對(duì)專家端的推薦和分析展開。Kang[5]等人結(jié)合潛在Dirichlet分配主題模型（Latent Dirichlet Allo?cation，LDA）和聚類算法，通過(guò)對(duì)技術(shù)類別進(jìn)行分類后確定最佳匹配的團(tuán)隊(duì)，以此來(lái)選擇產(chǎn)學(xué)研的合作伙伴，但忽視了企業(yè)方面的分析。綜上所述，研究者對(duì)于企業(yè)需求文本特征的研究較少，需求大多為非結(jié)構(gòu)化的中文文本，導(dǎo)致特征提取的精度也相對(duì)較低。主題模型方面，詞頻逆文檔（Term Frequency - InverseDocument Frequency， TF-IDF）模型是最早的文本概率模型之一[6]。在企業(yè)科技需求的關(guān)鍵詞提取上的不足之處在于該模型僅以詞頻來(lái)判斷是否為關(guān)鍵詞，在精度上會(huì)出現(xiàn)誤差。經(jīng)過(guò)潛在語(yǔ)義索引（Latent Seman?tic Indexing， LSI）、概率潛在語(yǔ)義索引（Probability La?tent Semantic Indexing， PLSI）等模型的優(yōu)化，Blei等人[7]在此基礎(chǔ)上提出了LDA模型，該模型可以挖掘不同主題下的關(guān)鍵信息，避免語(yǔ)義重復(fù)，因此更受廣泛應(yīng)用。

3模型構(gòu)建

3.1 文本獲取

數(shù)據(jù)來(lái)源于課題項(xiàng)目平臺(tái)后臺(tái)數(shù)據(jù)和科學(xué)家在線網(wǎng)絡(luò)爬蟲數(shù)據(jù)，包含需求標(biāo)題、詳細(xì)需求、限定時(shí)間、基本預(yù)算情況等信息。數(shù)據(jù)標(biāo)題和詳細(xì)需求是企業(yè)需求關(guān)鍵信息提取的重要內(nèi)容，因此利用標(biāo)題和詳細(xì)需求將文檔合并成一個(gè)文檔，既能方便掌握需求主題信息，又能降低模型的時(shí)間復(fù)雜度。

3.2 預(yù)處理

由于文本的字詞間無(wú)明顯區(qū)分符號(hào)，所以在預(yù)處理上應(yīng)進(jìn)行文本的分詞，文章主要運(yùn)用Python語(yǔ)言版的Jieba分詞器和Jieba庫(kù)中的默認(rèn)詞性標(biāo)注器進(jìn)行標(biāo)注。停用詞通常是文本中出現(xiàn)頻率高，卻影響關(guān)鍵詞提取效果的一類詞語(yǔ)，停用詞不但不利于表現(xiàn)文本所表達(dá)的主要內(nèi)容，且給文本特征選擇和提取帶來(lái)干擾[8]。文章采用基于停用詞表的停用詞過(guò)濾方法，停用詞表使用通用停用詞表和專有停用詞表，避免專業(yè)術(shù)語(yǔ)上不準(zhǔn)確的停用詞標(biāo)記[9]。

4實(shí)驗(yàn)

4.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)在內(nèi)存為8G，系統(tǒng)為Windows 10的PC機(jī)上進(jìn)行。訓(xùn)練及測(cè)試使用Python 3.7版本，調(diào)用gensim 庫(kù)中的lda 包對(duì)LDA 算法實(shí)現(xiàn)。實(shí)驗(yàn)數(shù)據(jù)共計(jì)300 條，其中爬蟲200條，采用Python第三方模塊requests 抓取數(shù)據(jù)，通過(guò)循環(huán)翻頁(yè)，獲取網(wǎng)站的每頁(yè)項(xiàng)目列表，使用正則表達(dá)式抓取每個(gè)項(xiàng)目列表對(duì)應(yīng)的主頁(yè)網(wǎng)址，進(jìn)一步檢索并抓取每個(gè)項(xiàng)目主頁(yè)上的項(xiàng)目標(biāo)題和項(xiàng)目?jī)?nèi)容描述，并保存在Excel表格中。經(jīng)過(guò)數(shù)據(jù)預(yù)處理清洗后，將數(shù)據(jù)重新編號(hào)，并劃分200 條數(shù)據(jù)作為訓(xùn)練集，主要訓(xùn)練模型主題數(shù)k，另外100 條作為測(cè)試集，作為評(píng)價(jià)本文算法的依據(jù)。針對(duì)數(shù)據(jù)集，每個(gè)文檔采用10 人手動(dòng)提取關(guān)鍵詞，按照提取關(guān)鍵詞的頻率高低排序得出手動(dòng)標(biāo)注的關(guān)鍵信息。除此之外，基于相同的測(cè)試集，采用本文算法、TFIDF模型和傳統(tǒng)的LDA 模型三種算法做對(duì)比實(shí)驗(yàn)。

4.2 評(píng)價(jià)標(biāo)準(zhǔn)

從關(guān)鍵詞的定義和內(nèi)在意義方面來(lái)講，文本中提取關(guān)鍵詞的評(píng)價(jià)標(biāo)準(zhǔn)是確定關(guān)鍵詞本身是否符合文檔的實(shí)際主題和語(yǔ)義。從關(guān)鍵詞的科研角度和學(xué)術(shù)角度來(lái)講，評(píng)價(jià)標(biāo)準(zhǔn)為所提取關(guān)鍵詞的結(jié)構(gòu)是否穩(wěn)定，是否有利于對(duì)文本信息更好地挖掘[14]。當(dāng)前多數(shù)使用精準(zhǔn)率Pre（Precision）、召回率Rec（Recall）和二者綜合值F 值（定量評(píng)價(jià)）對(duì)主題模型的效果進(jìn)行評(píng)價(jià)，Pre、Rec和F值的計(jì)算公式見公式（6）、（7）和（8）。其中TP 表示預(yù)測(cè)為正，實(shí)際為正，F(xiàn)P表示預(yù)測(cè)為正，實(shí)際為負(fù)，F(xiàn)N 表示預(yù)測(cè)為負(fù)，實(shí)際為正。因此，精準(zhǔn)率Pre 表示抽取的正確關(guān)鍵詞占提取出的關(guān)鍵詞條數(shù)的比例，召回率Rec表示抽取的正確關(guān)鍵詞占樣本中手動(dòng)標(biāo)注關(guān)鍵詞的比例，F(xiàn)值為二者的綜合評(píng)價(jià)。

4.3 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)數(shù)據(jù)集的中小企業(yè)科技需求共計(jì)六個(gè)方向，模型參數(shù)主題數(shù)k 影響著LDA模型和本文算法的實(shí)驗(yàn)精度，而TF-IDF算法的精度主要受關(guān)鍵詞數(shù)num的影響。因此，實(shí)驗(yàn)利用控制變量的原則，對(duì)相關(guān)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。表1是在k=3，以及每個(gè)主題的關(guān)鍵詞為2個(gè)的條件下完成的（即num = 6），相應(yīng)的TF-IDF算法關(guān)鍵詞數(shù)num =6，保證實(shí)驗(yàn)每個(gè)模型的關(guān)鍵詞數(shù)量為6個(gè)。為了便于比對(duì)和計(jì)算，每個(gè)需求文檔的人工手動(dòng)標(biāo)注的關(guān)鍵詞數(shù)為5。超參數(shù)α 和β 的值取α=50/k，β=0.01。本實(shí)驗(yàn)在上述數(shù)據(jù)集和參數(shù)的基礎(chǔ)條件下完成。

根據(jù)表1和圖2實(shí)驗(yàn)結(jié)果可以看出，本文提出算法在數(shù)據(jù)集的六個(gè)研究方向的F值依次為0.59、0.69、0.62、0.59、0.60、0.68。本文算法的每個(gè)研究方向的F值在數(shù)值上均高于另外的兩個(gè)算法。并且，表4-1也顯示了本文算法的Pre、Rec值也高于另外兩種算法。所以直接表明了本文算法優(yōu)于常用的TF-IDF和傳統(tǒng)的LDA算法。在實(shí)際應(yīng)用中，LDA模型將不同主題之間的關(guān)鍵詞提取出來(lái)，在一定程度上解決了語(yǔ)義重復(fù)和多義性的問(wèn)題，對(duì)次要主題和無(wú)關(guān)語(yǔ)義有很好的過(guò)濾作用。

此外，主題數(shù)k 大小一方面決定了關(guān)鍵詞提取的數(shù)量，在另一方面對(duì)提取效果也有影響。本文設(shè)置k的取值在1至5之間，每個(gè)主題下的關(guān)鍵詞數(shù)為2的情況下進(jìn)行實(shí)驗(yàn)，保證關(guān)鍵詞的提取數(shù)量和質(zhì)量，從而訓(xùn)練出k 的最佳值。圖3是本文算法與傳統(tǒng)的LDA模型的F值的整體變化情況，本文算法在1至5之間是優(yōu)于傳統(tǒng)的LDA模型，但是隨著主題數(shù)k 的增大，兩種算法的F值逐漸接近，且F值出現(xiàn)先上升后緩慢下降的趨勢(shì)。原因在于隨著k 的增大，模型中抽取的關(guān)鍵詞數(shù)越大，即公式（6）中的FP逐漸增大，因此精準(zhǔn)率Pre在逐漸降低，F(xiàn)值也在不斷降低，本文算法在K =3時(shí)效果最好。

5結(jié)束語(yǔ)

本文針對(duì)中小企業(yè)的人才不足和科學(xué)技術(shù)不夠先進(jìn)的問(wèn)題，從需求文本入手，提出一種融合多特征加權(quán)的LDA算法，對(duì)中小企業(yè)科技需求關(guān)鍵詞進(jìn)行提取。關(guān)鍵詞提取技術(shù)與科技協(xié)同創(chuàng)新平臺(tái)相結(jié)合，將企業(yè)需求精確表達(dá)，并爭(zhēng)取匹配到專家、高校或科研團(tuán)隊(duì)，在一定程度上能夠促進(jìn)產(chǎn)學(xué)研聯(lián)動(dòng)。該算法與傳統(tǒng)算法相比，精度方面有明顯的提升。就本研究而言，今后將從以下幾個(gè)研究方向進(jìn)行改進(jìn)：首先是對(duì)LDA主題模型進(jìn)一步改進(jìn)和完善；其次是對(duì)中小企業(yè)科技協(xié)同平臺(tái)的運(yùn)行體系機(jī)制進(jìn)行進(jìn)一步深化和完善；最后可以將此模型進(jìn)行其他應(yīng)用領(lǐng)域的推廣，例如高校信息模型，專家信息模型等。