張 清,應(yīng)忠于（公安海警學(xué)院,浙江 寧波 315801）

基于樸素貝葉斯分類器的海上執(zhí)法查詢系統(tǒng)

張 清,應(yīng)忠于
（公安海警學(xué)院,浙江 寧波 315801）

摘 要：中國海警局正式掛牌成立后，因海洋法律未成體系，執(zhí)法人員在法律和職責(zé)的學(xué)習(xí)上存在時(shí)間和執(zhí)法需求的矛盾。本設(shè)計(jì)立足海警執(zhí)法中的切實(shí)需求，將法典與案例相結(jié)合，設(shè)計(jì)出供海上法律查詢系統(tǒng)，供執(zhí)法人員查詢、參考。常用的文本分類方法中樸素貝葉斯具有容易實(shí)現(xiàn)，運(yùn)行速度快的特點(diǎn)。本設(shè)計(jì)使用樸素貝葉斯分類器，設(shè)計(jì)出海上執(zhí)法查詢系統(tǒng)。

關(guān)鍵詞：樸素貝葉斯；文本分類；海上執(zhí)法

在我國海上執(zhí)法力量整合初期，海上執(zhí)法人員來自海警、海監(jiān)、漁政、海關(guān)等多個(gè)部門，這造成了海上執(zhí)法人員對(duì)原其他部門職責(zé)和法律監(jiān)管的范圍不清楚。而我國涉及海洋的法律數(shù)目眾多，對(duì)所有人員進(jìn)行培訓(xùn)需要一個(gè)不短的時(shí)間。本設(shè)計(jì)針對(duì)這一問題，整合相關(guān)法律法規(guī)，并收集了大量的多部門的執(zhí)法案例，建立系統(tǒng)模型，形成一個(gè)全面的數(shù)據(jù)庫，為法典與案例模糊查詢系統(tǒng)的開發(fā)提供知識(shí)庫。

1 樸素貝葉斯分類器在文本分類的應(yīng)用

常用的文本分類方法有支持向量機(jī)、決策樹和樸素貝葉斯。其中樸素貝葉斯具有易實(shí)現(xiàn)，運(yùn)行速度快的特點(diǎn)，被廣泛應(yīng)用。

1.1 樸素貝葉斯算法簡(jiǎn)介

令C＝｛c1,……c|c|｝是預(yù)定義的類別集，d＝｛w1,……wn｝是一個(gè)文檔向量，則文檔d屬于類ci的概率可由條件概率P(ci|d )表示。為了最大限度地減小分類誤差，文檔d將被分到使P(ci|d )最大的類別ci中。而要求得條件概率，必須要先建立訓(xùn)練集。

事件的空間是整個(gè)文檔空間，由于d是一個(gè)n維向量，為了簡(jiǎn)化計(jì)算出P(d|ci)的計(jì)算，樸素貝葉斯假定(屬性間相互獨(dú)立)，即假定d屬于類ci時(shí)，d中的元素wk的取值與wi的取值是相互獨(dú)立的。這樣由文檔d對(duì)于類ci的條件概率就可以得到P(ci|d )的估計(jì)值。整個(gè)算法分為：

訓(xùn)練階段：對(duì)每一個(gè)wk、ci估計(jì)先驗(yàn)條件概率P(wk|ci)和概率P(ci)。

分類階段：計(jì)算后驗(yàn)概率，返回使后驗(yàn)概率最大的類。

1.2 文本分類問題

在文本分類中，假設(shè)文檔d∈X，X為文檔的向量空間，C＝｛c1,……c|c|｝是預(yù)定義的類別集。文檔集合＜d,c＞作為訓(xùn)練樣本。

例如：＜d,c＞＝{持偽造證件}

“持偽造證件“這句話在《中華人民共和國海事行政處罰規(guī)定》可以找到，因此將其標(biāo)記為“海事行政處罰”。我們期望用某種訓(xùn)練算法，訓(xùn)練出一個(gè)函數(shù)γ，能夠?qū)⑽臋n映射到某一個(gè)類別：γ:X→C。這種類型的學(xué)習(xí)方法叫做有監(jiān)督學(xué)習(xí)。樸素貝葉斯分類器是一種有監(jiān)督學(xué)習(xí)。常見有兩種模型，多項(xiàng)式模型和伯努利模型。二者的計(jì)算粒度不一樣，多項(xiàng)式模型以單詞為粒度，伯努利模型以文件為粒度。在伯努利模型中，給定一組已分類的文本訓(xùn)練數(shù)據(jù)，如下：類別No中d1＝＜未持有防污文書＞，d2＝＜偽造他人入境證件＞，d3＝＜必須持有有關(guān)證書＞，類別Yes中d4＝＜持用偽造海員證件＞，判斷c＝海事行政處罰規(guī)定？

假設(shè)文本中詞之間相互獨(dú)立，將文本用屬性向量表示為d＝(持，偽，造，證，件)，類別集合為Y＝{Yes, No}。按照語言習(xí)慣，將文本中的詞語進(jìn)行約定劃分。已知類No下總共有3個(gè)文件，類Yes下有1個(gè)文件，訓(xùn)練樣本文件總數(shù)為18，因此P(No)＝3/4, P(Yes)＝1/4,

P(造|No)＝ P(未|No)＝ P(防 污|No) ＝P(文 書 |No)＝ P(有|No)＝ P(他人|No)＝ P(入境|No)＝ P(必須|No)＝ P(偽|No)＝ (1+1)/ (3+2)＝2/5

P(持|No)＝P(證|No)＝(2+1)/(3+2)＝3/5

P(海員|No)＝ P(件|No)＝ (0+1)/(3+2)＝1/5

P(持|Yes)＝ P(偽|Yes)＝ P(海員|Yes)＝ P(證|Yes)＝ P(件|Yes)＝(1+1)/(1+2)＝2/3

P(造|Yes)＝ P(必須|Yes)＝ P(有|Yes)＝ P(入境|Yes)＝ P(他人|Yes)＝ P(未|Yes)＝ P(防污|Yes)＝ P(文書|Yes) ＝(0+1)/(1+2)＝1/3

后驗(yàn)概率計(jì)算：

P(Yes | d)＝1/4×2/3×2/3×1/3×2/3×2/3 ×(1-2/3) × ≈0.00032

P(No | d)＝ 3/4×3/5×2/5×2/5×3/5×1/5×(1-1/5)× ≈0.00019

因此，這個(gè)文檔屬于類別Yes,即屬于標(biāo)記為“海事行政處罰”的類別。

2 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

2.1 系統(tǒng)結(jié)構(gòu)

基于樸素貝葉斯分類器的海上執(zhí)法查詢系統(tǒng)設(shè)計(jì)，主要進(jìn)行了人機(jī)接口，分類器以及系統(tǒng)知識(shí)庫的設(shè)計(jì)。

系統(tǒng)結(jié)構(gòu)分為：用戶接口模塊、輸入分析模塊、查詢匹配模塊、結(jié)論模塊。

用戶接口模塊：實(shí)現(xiàn)用戶數(shù)據(jù)的輸入及系統(tǒng)結(jié)果的反饋功能；輸入分析模塊：實(shí)現(xiàn)輸入文本的分析，關(guān)鍵詞的搜索等功能；查詢匹配模塊：對(duì)輸入的案例特征在訓(xùn)練集中進(jìn)行查詢匹配；結(jié)論模塊：主要實(shí)現(xiàn)系統(tǒng)結(jié)論的合理性判定，診斷過程以及結(jié)論的給出等功能。

2.2 系統(tǒng)工作流程

建立查詢系統(tǒng)的法典庫和案例庫，并與樸素貝葉斯分類器結(jié)合。其工作流程：（1）用戶輸入查詢信息；（2）系統(tǒng)對(duì)此分析分類，根據(jù)訓(xùn)練集，將用戶的檢索請(qǐng)求信息轉(zhuǎn)換為系統(tǒng)特定格式，自動(dòng)定位到關(guān)鍵詞；（3）系統(tǒng)根據(jù)分類器提供的特征信息，進(jìn)行法典和案例匹配，給出查詢結(jié)果，過程終止。查詢結(jié)果對(duì)應(yīng)的相應(yīng)法律條文信息，按文檔關(guān)聯(lián)度排序輸出；（4）當(dāng)匹配失敗時(shí)，系統(tǒng)返回。

3 開發(fā)平臺(tái)

采用Web技術(shù)，建立以Browser/Server 為結(jié)構(gòu)模式、利用asp.net開發(fā)設(shè)計(jì)方法、以數(shù)據(jù)庫為后臺(tái)核心的查詢系統(tǒng)建立適合于海上執(zhí)法人員的應(yīng)用信息平臺(tái)。

4 結(jié)語

傳統(tǒng)信息檢索技術(shù)都是基于關(guān)鍵字查找和全文檢索技術(shù)，主要借助索引和關(guān)鍵詞等方法來實(shí)現(xiàn)。用戶難以簡(jiǎn)單地用關(guān)鍵詞來忠實(shí)地表達(dá)出其真正的檢索目的。而法律文本的表述具有其特有的確定性和模糊性，案例的描述也有其固有的特點(diǎn)。將樸素貝葉斯分類器運(yùn)用到系統(tǒng)當(dāng)中，能自動(dòng)抽取用戶描述內(nèi)容的概念，用關(guān)鍵詞或與之相應(yīng)的主題詞加以標(biāo)引從而完成匹配，為海上執(zhí)法提供法律參考系統(tǒng)。

參考文獻(xiàn)：

[1]程顯毅,朱倩.文本挖掘原理[M].第一版，北京：科學(xué)出版社,2010.

[2]楊林.基于文本的關(guān)鍵詞提取方法研究與實(shí)現(xiàn)[D]，安徽：安徽工業(yè)大學(xué),2013:1—17.

[3] 石志偉，吳功宜.“基于樸素貝葉斯分類器的文本分類算法”,第一屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議,2004.

作者簡(jiǎn)介：張清（1990-），女，四川成都人，學(xué)員，研究方向：電子信息工程。