湛燕，陳昊

（河北大學(xué) 數(shù)學(xué)與計算機學(xué)院，河北省機器學(xué)習(xí)與計算智能重點實驗室，河北 保定 071002）

自動文本分類有著悠久的歷史，可以追溯到至少20世紀(jì)60年代，直到20世紀(jì)80年代末，作為知識工程自動分類的一個重要分支問題，即構(gòu)建一套規(guī)則來編碼專家知識從而用于文檔分類.在20世紀(jì)90年代，隨著蓬勃發(fā)展的在線文檔的廣泛應(yīng)用，自動文本分類增加和擴展了新的研究范圍［1］.

文本分類是信息組織和信息管理任務(wù)中非常重要的組成成分.而短文本分類指的是一些短小文章（通常少于100字）的分類.國際上對于文本分類已經(jīng)有了很多年的研究［1－2］，但是對于短文本分類問題的研究相對較少［3－4］.

短文本分類問題是文本分類的一個分支，除了在某種程度上與傳統(tǒng)文本分類類似，但是仍然需要面臨一些特殊問題需要解決，因為文本長度短、特征稀疏，很難衡量文章之間的相似性，常見的文本分類相似度測量方法應(yīng)用在短文本分類中，通常并不能得到一個好的結(jié)果.

目前較為常用的傳統(tǒng)文本分類算法有貝葉斯、支持向量機、近鄰方法、神經(jīng)網(wǎng)絡(luò)方法、決策樹法等［2］.根據(jù)不同的文本表示形式的特點，這些方法可以分為2 種：一種是傳統(tǒng)的基于向量空間模型（vector space mode，VSM）的分類，另一個是基于語義信息的分類［5］.一般來說，傳統(tǒng)的基于向量空間模型的分類方法，不使用語義信息來提高分類性能；同時，由于文檔比較短，描述特征詞信息的能力弱，在測試文檔中出現(xiàn)的詞不一定出現(xiàn)在訓(xùn)練文檔中，所以第2種方法也不能直接應(yīng)用于短文本的分類.

使用互信息［1］（mutual information，MI）特征選擇，通過單詞測量文檔之間的相關(guān)性，但是短文本提供更少的單詞相關(guān)信息，因此有必要考慮其他語義關(guān)系（如：同義關(guān)系或近義關(guān)系等等）.傳統(tǒng)的貝葉斯分類器（Naive Bayes）在知識儲備的不足的情況下，容易發(fā)生分類分錯的情況，如果分錯了文本過早加入分類器中，會降低其分類性能［6］.除了文章短小的原因外，概念描述信息弱.單詞數(shù)量的缺少等特點，使得在短文本分類中很難準(zhǔn)確衡量文本的相似性.由于本體理論強調(diào)相關(guān)領(lǐng)域的概念，但也強調(diào)這些概念之間的聯(lián)系.但是由于特征數(shù)量較少的缺陷，所以有必要強調(diào)語義之間的聯(lián)系，這和本體理論的表示一致.

1 基于主題本體的擴展特征

1.1 本體

本體論（ontology）原是哲學(xué)的分支，研究客觀事物存在的本質(zhì)，它與認(rèn)識論（epistemology）相對，認(rèn)識論研究人類知識的本質(zhì)和來源，也就是說，本體論研究客觀存在，認(rèn)識論研究主觀認(rèn)知.而本體的含義是形成現(xiàn)象的根本實體（常與“現(xiàn)象”相對）.在人工智能領(lǐng)域，知識建模必須在知識庫和2個子系統(tǒng)之間建立聯(lián)系：agent行為（問題求解技能）和環(huán)境（問題存在的領(lǐng)域）.而長期以來，人工智能領(lǐng)域的研究者較為注重前一個子系統(tǒng)，而領(lǐng)域知識的表達(dá)依賴于特定的任務(wù)，這樣做的好處是只需要考慮相關(guān)的領(lǐng)域知識，但是，大規(guī)模的模型共享、系統(tǒng)集成、知識獲取和重用依賴于領(lǐng)域的知識結(jié)構(gòu)分析，因此，進(jìn)入20世紀(jì)90年代以來，與任務(wù)獨立的知識庫（本體）的價值被發(fā)現(xiàn)，并受到廣泛關(guān)注〔7－8〕.

本體的目標(biāo)是抓住相關(guān)的領(lǐng)域知識，提供領(lǐng)域知識中共同的認(rèn)識，使用通用的字詞來定義領(lǐng)域知識，并且定義不同模式的領(lǐng)域詞之間的聯(lián)系.本體一方面屬于認(rèn)知概念集的領(lǐng)域，這些概念有很多相關(guān)的語義，這些語義反映了概念之間的聯(lián)系.本體描述了概念和上下文之間內(nèi)在的語義.總之，本體強調(diào)了相關(guān)領(lǐng)域間的重要性，同時也強調(diào)了這些重要概念的聯(lián)系.

由于短文本的獨有特點，例如文本長度較短，特征選擇分散不一，詞語測量較困難，使得短文本文類需要處理這些特殊的問題.基于本體理論涉及到了領(lǐng)域概念，但是對于短文本分析而言，難以處理短文本特征稀少的問題，所以需要重點強調(diào)文本特征之間的語義聯(lián)系.本文使用了基于主題本體的特征擴展方法，考慮了特征之間的語義關(guān)聯(lián)，達(dá)到了較好的分類性能［9－10］.

1.2 基于主題本體的擴展特征

定義 主題本體 主題本體意味著最重要的核心和最必要的組合，可以對概念特征給出正式的描述，這些概念在其他領(lǐng)域很少出現(xiàn)，所以可以確定一個領(lǐng)域.

在特定的應(yīng)用程序有許多不同的方式來表示本體，可以使用自然語言、框架和語義網(wǎng)絡(luò)或邏輯語言描述本體.在現(xiàn)有的本體模型中，對于不同的問題領(lǐng)域和不同的工程考慮，結(jié)構(gòu)和過程在本體方法也不同.語言的邏輯表達(dá)式可以很強大，但其推理過程比較復(fù)雜，所以很難完成本體模型的創(chuàng)建.鑒于這個原因，本文提出了一種命名為主題本體擴展特征的分類.

在主題本體中主要有兩方面的內(nèi)容：

第一，得到高頻域詞，指的是在某些領(lǐng)域高頻率域和其他場域的幾率很小的詞（即是在本領(lǐng)域中區(qū)分能力強的詞），這些高頻詞只能確定一個領(lǐng)域，所以可以使用它們作為高頻詞用于分類.

第二，通過概念來擴展高頻詞，使用主題本體對概念特征給出正式的描述，使原來的特征詞匯不是孤立的，所以這些特征詞語可以看作一種概念的集合以及相關(guān)詞匯.普通詞匯和特征詞的區(qū)別在于，它可以把概念進(jìn)行比較，這樣可以更準(zhǔn)確地確定2個領(lǐng)域之間的相似性.

通過以下詳細(xì)步驟得到主題本體的特征擴展.

1）對訓(xùn)練文本進(jìn)行預(yù)處理：通過詞性分析，保留名詞、動詞和形容詞，通過詞特征的選擇，過濾掉不適合用于分類的詞，從而減少計算的復(fù)雜度.

2）計算單詞的頻率，計算每個單詞在不同的類別中出現(xiàn)的次數(shù)，過濾掉出現(xiàn)頻率較少的單詞，同時對詞頻可以進(jìn)行歸一化處理，如下公式：

其中TFij表示單詞i在文檔j 中出現(xiàn)次數(shù)，DFi表示所有文檔集合中出現(xiàn)單詞i的文檔數(shù)目.

3）提取出現(xiàn)頻率比較高的單詞作為一個主題本體的高頻詞匯，過濾掉和本主題本體不相關(guān)的單詞，得到初始詞匯.

4）運用同義詞來擴展特征詞匯，通過概念來擴展高頻詞，例如“程序”，“編程”，“網(wǎng)頁設(shè)計”，“動畫設(shè)計”都可以屬于電腦編程方面的近義詞匯.使用主題本體對概念擴充以擴展其特征詞匯，從而可以解決在短文本分類中特征詞少的問題.

1.3 CBM（Case－base Maintenance）方法

本文使用了CBM（case－base maintenance）方法，它可以在K－近鄰算法中減少樣本個數(shù)，從而可以提高搜索近鄰的檢索效率.首先，本文介紹了一個概念叫做樣本的擴展能力.基于這個概念，提出了一種減少樣本個數(shù)的方法.樣本的擴展能力（generalization capability）表明了樣本解決分類問題的能力.根據(jù)這種方法，具有更好擴展能力的樣本會保留下來作為樣本的代表，其他多余的在其覆蓋范圍內(nèi)的樣本就可以刪除了，從而減少了樣本個數(shù).實驗表明這種方法在分類算法中，可以大大減少多余樣本或者對于分類用處不大的樣本，從而獲得更高的分類效率.

這種啟發(fā)式算法介紹如下（稱為GC算法）：

1）集合R 被初始化為空集，其中S＝X∪Y.

2）對于集合X 中的每一個樣本x，根據(jù)公式（2）計算Coverage（x）.

3）找到這樣的樣本x＊，其中｜Coverage（x＊）｜＝maxx∈S｜Coverage（x）｜.如果存在多于1個樣本的覆蓋范圍等于這個最大值，那么從中選擇rx最大的那個樣本x＊＊.如果這時有很多樣本達(dá)到了這個最大值，那么可以隨機選擇1個即可.

4）置R＝R∪｛x＊｝和S＝S－Coverage（x＊），如果｜S｜＝0那么停止，否則轉(zhuǎn)到2）.

因此，集合R 就是最后選擇的有代表性的樣本集合，完整的正例集合是集合X.實際上，被選擇的樣本已經(jīng)排除了負(fù)例樣本集合Y.

其中，樣本x 的覆蓋范圍Coverage（x）定義如下：

接著本文定義2個樣本之間的距離.對于每個樣本x＝｛x1，x2，…，xn｝和y＝｛y1，y2，…，yn｝，它們之間的距離定義為

這里的距離測試ρj（xj，yj）依賴于特定的域，M 是位于0～1之間的一個正數(shù).通常，參數(shù)M 是這樣確定的

假設(shè)X∪Y 沒有交集，也就是不存在2個樣本x∈Xand y∈Y，即x＝y(tǒng).

對于每一個正例x＝（x1，x2，…，xn）∈X，正例樣本x 到負(fù)例樣本集合Y 的最短距離為

因此，保證了rx＞0.

本文定義了一個正例的覆蓋范圍.如果x是一個正例，q是任意一個樣例，如果滿足公式（6）就說x覆蓋q

其中rx根據(jù)公式（5）進(jìn)行計算.

一個正例覆蓋范圍有負(fù)例是不可能的，所以，換句話說，一個正例的覆蓋范圍一定是樣本集合X 的子集.一個樣本的覆蓋范圍表示了這個樣本的擴展能力.樣本覆蓋范圍包括的樣本個數(shù)越多，說明這個樣本的擴展能力越強.從公式（2）中，可以定義每個正例的覆蓋范圍.主要目標(biāo)就是選擇正例樣本的一個子集，它們的覆蓋范圍可以代表整個正例集合X.實際上，所選擇的樣本已經(jīng)排除了負(fù)例樣本集合Y.

把這種方法應(yīng)用在K－近鄰分類算法中，選擇擴展能力強的樣本進(jìn)行分類，刪除其他樣本，從而減少了樣本的個數(shù)，獲得更高的分類效率，這和主題本體的思想是一致的［11］.

2 實驗

2.1 性能測試標(biāo)準(zhǔn)

為了評估文本分類系統(tǒng)的有效性，筆者使用召回率、準(zhǔn)確率和F1 度量作為評估標(biāo)準(zhǔn).召回率（recall（R））是定義為所有準(zhǔn)確的文檔有多少被檢索出來.準(zhǔn)確率（precision（P））是檢索出來的文檔正確的數(shù)量.F1度量結(jié)合了以上兩者的加權(quán)調(diào)和平均

2.2 實驗及其分析

筆者在人民日報選擇了1 000篇文章，分別屬于計算機編程、國際新聞、婦女、軍事和體育新聞等.在訓(xùn)練樣本中使用基于主題本體的特征擴展方法，并對測試樣本進(jìn)行預(yù)處理，只保留名詞、動詞和形容詞，使用K－近鄰分類算法進(jìn)行文本分類.

在實驗中，每個數(shù)據(jù)集都被隨機分成2個獨立的集合，90%的文章作為訓(xùn)練數(shù)據(jù)和10%的文章作為測試數(shù)據(jù).

表1 準(zhǔn)確率、召回率和F1度量Tab.1 Comparison of precision，recall and F1

實驗1使用傳統(tǒng)的互信息進(jìn)行特征選擇和進(jìn)行K－近鄰文本分類.實驗2使用基于主題本體的特征擴展以及通過CBM 進(jìn)行K－近鄰文本分類.從表1中可以看到實驗2的基于主題本體的特征擴展學(xué)習(xí)提高了準(zhǔn)確率，召回率和F1值.因此，由于考慮到了語義聯(lián)系，可以得到比傳統(tǒng)方法更好的分類性能.

3 結(jié)論

由于短文本的獨有特點，例如文本長度較短，特征選擇分散不一，詞語測量較困難，使得短文本文類需要處理這些特殊的問題.基于本體理論涉及到了領(lǐng)域概念，但是對于短文本分析而言，難以處理短文本特征稀少的問題，所以需要重點強調(diào)文本特征之間的語義聯(lián)系.本文使用了基于主題本體的特征擴展方法，考慮了特征之間的語義關(guān)聯(lián)，達(dá)到了較好的分類性能.本文通過基于CBM 方法的K－近鄰分類應(yīng)用在短文本分類算法中，并且使用了基于主題本體的特征擴展方法.由于考慮了語義關(guān)系，可以得到比傳統(tǒng)的方法更好的分類性能.自從近鄰分類算法應(yīng)用了特征擴展方法，可以提高分類性能，通過優(yōu)化該算法使其廣泛的應(yīng)用在文本分類中.

［1］ SEBASTIANI F.A tutorial on automated text categorisation［Z］.Proceedings of ASAI－99，1st Argentinian Symposium on Artificial Intelligence，Buenos Aires，AR，1999.

［2］ SEBASTIANI F.Machine learning in automated text categorization［J］.ACM Computing Surveys，2002，34（1）：1－47.

［3］ FAN Xinghua，SUN Maosong.A high－performance text categorization of two classes［J］.Chinese Journal of Computer，2006，29（1）：124－131.

［4］ ZELIKOVITZ S，TRANSDUCTIVE M F.Learning for short－text classification problem using latent semantic indexing international［J］.Journal of Pattern Recognition and Artificial Intelligence，2005，19（2）：143－163.

［5］ 翟延冬，王康平，張東娜，等.一種基于WordNet的短文本語義相似性算法［J］.電子學(xué)報，2012，40（3）：617－620.ZHAI Yandong，WANG Kangping，ZHANG Dongna，et al.An algorithm for semantic similarity of short text based on wordnet［J］.Chinese Journal of Electronics，2012，40（3）：617－620.

［6］ 王永恒，賈焰，楊樹強.基于頻繁詞集聚類的海量短文分類方法［J］.計算機工程與設(shè)計，2007，28（8）：1744－1780.WANG Yongheng，JIA Yan，YANG Shuqiang.Massive short documents classification method based on frequent term set clustering［J］.Computer Engineering and Design，2007，28（8）：1744－1780.

［7］ SONG D，BRUZA P D，HUANG Z，et al.Classifying document titles based on information inference［Z］.Proceedings of the 14th International Symposium on Methodologies for Intelligent Systems，Maebashi City，Japan，2003.

［8］ CHEN Enhong，WU Gaofeng.An ontology learning method enhanced by frame semantics［Z］.Seventh IEEE International Symposium on Multimedia，Irvine，California，2005.

［9］ 黃九鳴，吳泉源，劉春陽，等.短文本信息流的無監(jiān)督會話抽取技術(shù)［J］.軟件學(xué)報，2012，23（4）：735－747.HUANG Jiuming，WU Quanyuan，LIU Chunyang，et al.Unsupervised conversation extraction in short text message streams［J］.Journal of Software，2012，23（4）：735－747.

［10］ 彭澤映，俞曉明，許洪波.大規(guī)模短文本的不完全聚類［J］.中文信息學(xué)報，2011，25（1）：54－59.PENG Zeying，YU Xiaoming，XU Hongbo.Incomplete clustering for large scale short texts［J］.Journal of Chinese Information Processing，2011，25（1）：54－59.

［11］ ZHAN Yan，CHEN Hao.Chinese text categorization study based on cbm learning［Z］.2010 7th International Conference on Fuzzy Systems and Knowledge Discovery，Yantai，2010.