韓 棟，王春華，肖 敏

(1.黃淮學(xué)院 信息工程學(xué)院，河南 駐馬店 463000；2.武漢理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，湖北 武漢 430063)

0 引 言

為了使文本分類效率進(jìn)一步提高，必須提供足夠多的已標(biāo)記樣本來訓(xùn)練分類器。然而，在很多實(shí)際情況中，已標(biāo)記樣本可能很少，但卻有大量的未標(biāo)記樣本。為此，可以使用半監(jiān)督學(xué)習(xí)(semi-supervised learning，SSL)方法[1]，通過學(xué)習(xí)將未標(biāo)記樣本進(jìn)行歸類，擴(kuò)大初始標(biāo)簽集，用作傳統(tǒng)機(jī)器學(xué)習(xí)算法的輸入。

主題模型(topic modeling)[2]是一種對文字中隱含主題進(jìn)行建模的方法，由于其考慮了上下文關(guān)系，能夠顯著減少特征的數(shù)量并能夠壓縮文本表示。有研究表明，在訓(xùn)練集數(shù)據(jù)量較少時(shí)，主題模型在監(jiān)督學(xué)習(xí)環(huán)境中的性能優(yōu)于傳統(tǒng)表示方法[3,4]。其中，以隱含狄利克雷分配(latent Dirichlet allocation，LDA)[5]概率主題模型作為文本相似性度量時(shí)，比基于詞頻的TF-IDF表示方法具有更高的效率[6]。

基于上述分析，為了解決在較少初始標(biāo)簽集環(huán)境下的文本分類問題，提出一種結(jié)合SSL和LDA主題模型表示法的訓(xùn)練集構(gòu)建方法(SSL-LDA)。使用LDA主題模型表示文本特征，使用一個(gè)基于SSL的自訓(xùn)練模型來學(xué)習(xí)分類未標(biāo)記文本，擴(kuò)展標(biāo)記文本集，以此解決具有少量標(biāo)記樣本集的場景。另外，為了獲得SSL-LDA模型的最優(yōu)參數(shù)組合，首先，通過方差分析(analysis of variance，ANOVA)統(tǒng)計(jì)測試方法來確定各種參數(shù)的影響能力，找出影響最小的參數(shù)并確定其值，以此降低參數(shù)維度。然后，通過一種簡化粒子群算法(simplified particle swarm optimization，SPSO)來獲得其它參數(shù)的最優(yōu)組合。最后，基于擴(kuò)展的訓(xùn)練集來訓(xùn)練樸素貝葉斯(NB)分類器實(shí)現(xiàn)文本分類。

1 基于LDA主題模型的文本表示

僅僅依靠特定單詞不足以描述一個(gè)文本，也不能有效地對文本進(jìn)行區(qū)別。也就是說，具有相同內(nèi)容的兩個(gè)文本可以使用包含相似含義的不同單詞來進(jìn)行表述。因此，需要在一個(gè)共同的語義空間中表示文本，這種表示的最基本技術(shù)是潛在語義分析(latent semantic analysis，LSA)[7]。LSA方法中，對文本矩陣進(jìn)行奇異值分解，并將其表示為低維語義空間中的潛在概念。概率潛在語義分析(PLSA)是一種改進(jìn)LSA方法，這種方法提升了對主題的解釋，將其考慮為多詞分布。由于PLSA方法基于對給定文本的極大似然估計(jì)，所以容易出現(xiàn)過擬合現(xiàn)象。

為了解決上述問題，學(xué)者引入LDA方法。使用LDA方法，可以將文本表示為多個(gè)主題的分布，主題可以作為類似集群的更高層次的概念。這一算法基于這樣一個(gè)假設(shè)：集合中的每個(gè)文本都是由幾個(gè)潛在主題創(chuàng)建的，其中每個(gè)主題都以混合的單詞呈現(xiàn)[8]。文本的主題表示過程描述如下：

(1)對于每個(gè)文本m∈M，主題分布θm都是Dirichlet分布Dir(α)的一個(gè)抽樣；

(2)對于文本m中的每個(gè)單詞占位符n：

1)根據(jù)抽樣得到的主題分布θm隨機(jī)選擇一個(gè)主題zm,n；

2)從主題zm,n的多項(xiàng)式分布φk中，隨機(jī)選擇一個(gè)詞wm,n。

在LDA模型中，為了獲得文本中各種主題的分布，可采用期望最大化(expectation maximization，EM)方法、期望變分法以及Gibbs抽樣方法[9]。然而，EM方法容易陷入局部最優(yōu)。為此，本文采用了Gibbs抽樣方法。這種方法基于Markov鏈蒙特卡洛算法(MCMC)，估計(jì)出文本中每個(gè)單詞的主題分布(即文本-主題分布θ)和文本集中所有單詞的主題分布(主題-單詞分布φ)，并以此來計(jì)算單詞屬于某個(gè)主題的概率，從而更新該詞的主題。Gibbs抽樣方法步驟描述如下：

(1)設(shè)定訓(xùn)練文本集中文本數(shù)量為M，單詞數(shù)為I，主題數(shù)為T，Gibbs抽樣迭代次數(shù)為N。

(2)初始化主題分布，即對于每個(gè)單詞wi,i∈I，將其隨機(jī)賦給一個(gè)主題t，表示為zi=t,t=random(T)。

(3)在每次迭代中，根據(jù)下式計(jì)算單詞wi屬于主題t的后驗(yàn)概率

(1)

(4)通過對每個(gè)文本中主題數(shù)量的統(tǒng)計(jì)，計(jì)算θ和φ，表示如下

(2)

在Gibbs抽樣算法中，需要設(shè)定α和β參數(shù)、主題數(shù)量T以及估計(jì)θ和φ的迭代次數(shù)N。根據(jù)相關(guān)研究[10]，參數(shù)α和β可以設(shè)定為固定值，即：α=50/K,β=0.01。其它參數(shù)對主題模型的性能影響較大，為此需要獲得最優(yōu)參數(shù)組合值。這將在第三章中進(jìn)行詳細(xì)描述。

2 提出的SSL-LDA標(biāo)記文本擴(kuò)展模型

2.1 半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)(SSL)方法是有監(jiān)督學(xué)習(xí)方法的延伸，其將未標(biāo)記樣本作為整個(gè)訓(xùn)練集的一部分，而不是僅用已標(biāo)記樣本，從而獲得一個(gè)更好的分類器。首先，使用少量的已標(biāo)記樣本Dl訓(xùn)練得到一個(gè)基分類器。然后，使用該分類器對未標(biāo)記樣本Du進(jìn)行分類。根據(jù)分類預(yù)測結(jié)果，將一些可信度最高的未標(biāo)記樣本歸類到特定標(biāo)簽中。重復(fù)整個(gè)過程直到達(dá)到停止條件[11]。

在文本分類中，由于SSL方法是基于標(biāo)記文本和未標(biāo)記文本之間的相似性度量對文本進(jìn)行劃分，因此文本的表示是至關(guān)重要的。對于非結(jié)構(gòu)化內(nèi)容的表示，通常使用向量空間模型(vector space model，VSM)進(jìn)行表示[12]。其中，特征是以單詞為基本單元來構(gòu)建的，特征值由不同的加權(quán)算法計(jì)算得到，例如常用的詞頻-逆文本頻率(TF-IDF)方法[13]。但是，這種方法忽略了單詞的順序及其含義。此外，這種方法得到的單詞矢量是稀疏的，具有非常高的維度。所以，為了提高SSL方法擴(kuò)展訓(xùn)練集的準(zhǔn)確性，需要一種有效的內(nèi)容表示模型。為此，本文將LDA與SSL相結(jié)合。文本的LDA表示能夠產(chǎn)生數(shù)量較少且包含語義信息的主題特征，能夠?yàn)镾SL提供高效輸入特征，從而可提高其對未標(biāo)記樣本進(jìn)行標(biāo)記的準(zhǔn)確性。另外，由于LDA是一種無監(jiān)督學(xué)習(xí)過程，其主題與文本類別的對應(yīng)關(guān)系存在不確定性，將SSL與LDA結(jié)合，構(gòu)成半監(jiān)督LDA可以降低這種不確定性。

2.2 提出的SSL-LDA模型

為了實(shí)現(xiàn)在標(biāo)記樣本數(shù)量較少情況下的樣本分類，本文構(gòu)建了一種用于擴(kuò)展標(biāo)記樣本集的自訓(xùn)練模型：SSL-LDA模型。SSL-LDA模型由3個(gè)部分組成：①文本LDA主題模型表示，其是系統(tǒng)的基礎(chǔ)，產(chǎn)生了整個(gè)系統(tǒng)的輸入；②用于擴(kuò)大初始標(biāo)記樣本集的自訓(xùn)練模型，其是整個(gè)系統(tǒng)的核心，實(shí)現(xiàn)較少樣本集的擴(kuò)展；③基于SPSO的參數(shù)優(yōu)化模型，其是系統(tǒng)的促進(jìn)劑，能夠提高自訓(xùn)練模型的性能。

基于LDA主題模型，利用主題分布來表示樣本。使用少量已標(biāo)記樣本和更多非標(biāo)記樣本構(gòu)建一個(gè)初始樣本集，這些非標(biāo)記樣本具有和已標(biāo)記樣本相似的主題分布，作為SSL-LDA方法的輸入。

SSL-LDA中，首先對給定的任意樣本集合，使用LDA主題模型生成主題分布，并將所有樣本用這一分布進(jìn)行表示。然后，根據(jù)已標(biāo)記樣本來測試不同參數(shù)組合下的SSL-LDA性能，通過參數(shù)優(yōu)化模型來獲得最優(yōu)參數(shù)。接著，將初始標(biāo)記樣本集合以及未標(biāo)記樣本集合(規(guī)模相比標(biāo)記樣本集合大得多)一并提供給最優(yōu)參數(shù)的SSL-LDA自訓(xùn)練模型。之后，執(zhí)行自訓(xùn)練過程，自訓(xùn)練模型的輸出為擴(kuò)大后的標(biāo)記樣本集合。最后，基于該擴(kuò)大后的標(biāo)記樣本集合，通過任何監(jiān)督分類方法訓(xùn)練分類器，并將該分類器對其它未標(biāo)記樣本進(jìn)行分類。整個(gè)過程如圖1所示。

圖1 所提出的SSL-LDA方法框架

自訓(xùn)練模型由兩個(gè)階段組成，用于擴(kuò)大初始標(biāo)記樣本集合。第一階段的目標(biāo)是獲得標(biāo)記和未標(biāo)記樣本基于主題的表示。將所有的樣本組合成一個(gè)集合，然后在該集合上進(jìn)行主題建模。構(gòu)建LDA模型時(shí)使用了Gibbs采樣方法，使得每個(gè)樣本都可以用LDA主題分布表示。

在第二階段，未標(biāo)記樣本通過迭代逐漸地被移到標(biāo)記樣本集合中，直至達(dá)到預(yù)定的閾值。為了使最可靠的未標(biāo)記樣本被移動到標(biāo)記集合中，定義了一種語義相似性度量，這種度量基于主題分布和余弦相似性度量來計(jì)算。由于在訓(xùn)練過程中計(jì)算每個(gè)未標(biāo)記樣本和標(biāo)記樣本的距離是相當(dāng)耗時(shí)的，因此，本文為每個(gè)類計(jì)算得到一個(gè)質(zhì)心，并基于這些質(zhì)心來測量相似性距離。每次迭代依次執(zhí)行以下兩個(gè)步驟：

(1)對于每個(gè)類別，都分別創(chuàng)建一個(gè)質(zhì)心向量，其值為給定類別中已標(biāo)記樣本的平均值。然后，計(jì)算未標(biāo)記樣本與質(zhì)心向量間的余弦距離，如下式所示

(3)

(2)將未標(biāo)記樣本按其可靠性進(jìn)行排序，可靠性根據(jù)未標(biāo)記樣本與其兩個(gè)最近質(zhì)心距離的差定義。其值越大，表示樣本更加接近其中一個(gè)質(zhì)心。然后，將最可靠的未標(biāo)記樣本移動到標(biāo)記集合中，并基于距離度量將這一樣本標(biāo)記為最近質(zhì)心所代表的類別。在選擇未標(biāo)記樣本時(shí)，還考慮了類的平衡/不平衡性質(zhì)，使得在可能的情況下，標(biāo)記集合服從均勻分布。為此，首先計(jì)算所有類的不平衡率。然后將平衡參數(shù)值(R)減去每個(gè)類別的不平衡率(r)，以便可以使得R-r個(gè)樣本能夠移動到特定的類中。

對于所以未標(biāo)記樣本，當(dāng)其對于兩個(gè)最近質(zhì)心的距離之間的差都小于預(yù)定義的相似性閾值(ST)時(shí)，迭代過程結(jié)束，得到最終的標(biāo)記集合。通過使用平衡參數(shù)，在一次迭代中移動的樣本數(shù)量也被確定下來。該過程的如算法1所示。

算法1：提出的SSL-LDA自訓(xùn)練模型

輸入：

Dl：標(biāo)記樣本；

Du：未標(biāo)記樣本；

D=Du∪Dl；Du?Dl；//對于D中的每個(gè)分類，都至少具有一個(gè)樣本在Dl中(即D中至少有1個(gè)標(biāo)記樣本)

ST：相似度閾值；

R：平衡參數(shù)；

T：主題數(shù)；

GI：Gibbs迭代次數(shù)；

輸出：

初始化：

基于參數(shù)T和GI，將D中所有樣本以主題分布的方式表示。

自訓(xùn)練過程：

Whileε>STdo

(1) 為標(biāo)記樣本Dl的每個(gè)類創(chuàng)建質(zhì)心C=c1,…,cm，每類都具有一個(gè)類標(biāo)簽lci；

(4) 定義ε的值：ε=max{dif1,dif2,…,difn}；

(5)If(ε>ST)

1)計(jì)算每類中Dl樣本所占比率r，為每類選擇R-r個(gè)difk最大的未標(biāo)記樣本Du放入各類中；

Endif

Endwhile

3 SSL-LDA中的最優(yōu)參數(shù)選擇

3.1 ANOVA參數(shù)重要性分析

在提出的SSL-LDA模型中，涉及4個(gè)參數(shù)，即相似度閾值ST；平衡參數(shù)R；主題數(shù)T和Gibbs迭代次數(shù)GI。為了使SSL-LDA模型具有最好的性能，需要設(shè)定合適的參數(shù)組合。參數(shù)組合可以使用傳統(tǒng)網(wǎng)格搜索方法來獲得。在這種情況下，對于每種可能的參數(shù)組合，都分別進(jìn)行評估。然而，如果在不同樣本集下，對每種參數(shù)組合都進(jìn)行實(shí)驗(yàn)驗(yàn)證，則需要消耗大量的資源，這是不切合實(shí)際的。因此，本文首先采用了Castillo等[14]提出的方差分析(analysis of variance，ANOVA)統(tǒng)計(jì)測試方法，來確定各參數(shù)對分類方法性能的影響，以此來減少參數(shù)組合中參數(shù)數(shù)量。

ANOVA是數(shù)據(jù)分析中常用的一種統(tǒng)計(jì)方法，其從結(jié)果變量的方差入手，研究諸多控制變量中哪些變量對結(jié)果變量有顯著影響。ANOVA依靠F-分布為機(jī)率分布的依據(jù)，基于平方和(sum of square)與自由度(degree of freedom)計(jì)算的組間與組內(nèi)均方值(mean of square)，并以此來估計(jì)F值。

在這一部分，所有的實(shí)驗(yàn)都是在預(yù)定義的訓(xùn)練集上進(jìn)行的，其中所有樣本都已被分配標(biāo)簽。為了測試SSL-LDA模型擴(kuò)展樣本標(biāo)簽的準(zhǔn)確性，去除了已標(biāo)記樣本集中80%的樣本標(biāo)簽，使其成為未標(biāo)記樣本。通過這種方式，在訓(xùn)練集上以每種可能參數(shù)組合的SSL-LDA模型來擴(kuò)展樣本標(biāo)簽，根據(jù)擴(kuò)展準(zhǔn)確性來驗(yàn)證參數(shù)組合的效果。

參數(shù)值的范圍根據(jù)經(jīng)驗(yàn)進(jìn)行設(shè)定。對于相似性閾值ST，設(shè)定范圍為[0.1,0.9]，增量為0.1。對于平衡參數(shù)R，設(shè)定范圍為[20，200]，增量為10。對于主題數(shù)量T，設(shè)定范圍為[20，200]，增量為10；對于Gibbs采樣迭代的次數(shù)GI，設(shè)定為500、750、1000、1250和1500。

通過這種方式，本文測試了16 245種不同的參數(shù)組合，用來確定哪些參數(shù)對結(jié)果影響最大。其中，使用未標(biāo)記樣本標(biāo)簽擴(kuò)展的精度作為評估指標(biāo)。

使用ANOVA統(tǒng)計(jì)測試來確定參數(shù)值的變化對標(biāo)簽擴(kuò)展性能的影響是否顯著。對于每種參數(shù)，分別統(tǒng)計(jì)了其平方和、自由度、均方值、F統(tǒng)計(jì)量以及顯著性水平，ANOVA統(tǒng)計(jì)結(jié)果見表1。

根據(jù)ANOVA統(tǒng)計(jì)分析結(jié)果，從F統(tǒng)計(jì)量來看，相似性閾值ST對標(biāo)簽擴(kuò)展性能是最敏感的，主題數(shù)量T和平衡參數(shù)R對性能的影響也較高。而Gibbs迭代次數(shù)GI的重要性最低，且遠(yuǎn)遠(yuǎn)低于其它3個(gè)參數(shù)。盡管Gibbs迭代次數(shù)的增加可以提升主題模型的質(zhì)量和穩(wěn)定性，但它并不能顯著的影響性能。另一方面，GI參數(shù)對時(shí)間復(fù)雜度有著較大影響。因此，將GI參數(shù)值設(shè)定為可接受范圍內(nèi)的最小值是合理的。另外，在其它不同訓(xùn)練集上的ANOVA分析結(jié)果也表明，GI的影響很小。

表1 不同參數(shù)對標(biāo)簽擴(kuò)展準(zhǔn)確性影響的ANOVA

為此，本文將Gibbs迭代次數(shù)GI固定為500。這樣需要確定的4個(gè)參數(shù)就減少為3個(gè)參數(shù)，參數(shù)組合空間縮小為原來的1/5，為3249種。這有助于提高空間搜索算法的收斂速度。

3.2 基于SPSO的參數(shù)優(yōu)化

為了進(jìn)一步獲得剩余3個(gè)參數(shù)的最優(yōu)組合，本文采用了一種收斂速度較快的簡化粒子群優(yōu)化算法(SPSO)算法[15]。將粒子編碼為3個(gè)參數(shù)的值，以基于該參數(shù)組合下SSL-LDA擴(kuò)大標(biāo)記樣本集合的準(zhǔn)確性作為粒子的適應(yīng)度，以此進(jìn)行尋優(yōu)。

傳統(tǒng)粒子群優(yōu)化(PSO)算法中，粒子位置是根據(jù)全局最優(yōu)和當(dāng)前最優(yōu)位置來動態(tài)更新，表示為

(4)

(5)

式中：i=1,2,…,N表示粒子編號，xid表示粒子i中第d維的位置值，vid為移動速度，pid和pgd分別為全局最優(yōu)和當(dāng)前最優(yōu)位置。c1和c2為比例參數(shù)，取值為c1=c2=2。r1()和r2()為[0,1]內(nèi)的隨機(jī)值。w為慣性權(quán)重。為了使其適應(yīng)迭代收斂過程的變化，本文采用遞減型動態(tài)慣性權(quán)重。

簡化粒子群優(yōu)化(SPSO)算法中，其認(rèn)為傳統(tǒng)PSO中尋優(yōu)過程的收斂性與粒子速度無關(guān)。在一些情況下，粒子速度的更新會增加算法復(fù)雜度和優(yōu)化時(shí)間。為此，省略了傳統(tǒng)PSO位置更新中的速度項(xiàng)，將二階位置更新方程簡化成為一階形式，表示為

(6)

簡化后的位置更新過程加快了收斂過程，使其能夠快速的在解空間中搜索最優(yōu)參數(shù)組合。

4 實(shí)驗(yàn)及分析

4.1 實(shí)驗(yàn)設(shè)置

將提出的分類算法在WEKA開源機(jī)器學(xué)習(xí)環(huán)境上，使用JAVA語言編程實(shí)現(xiàn)。為了建立LDA主題模型，還使用了MALLET工具箱。

本文使用了3個(gè)公共數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)：Newsgroups、Reuters-10和Ohscal數(shù)據(jù)集。Newsgroups數(shù)據(jù)集由大約20 000個(gè)樣本組成，分為20個(gè)類別的新聞樣本。這些樣本都是從UseNet上收集的。Reuters-10數(shù)據(jù)集來源于基本的Reuters-21578數(shù)據(jù)集，其由Reuters-21578 中樣本數(shù)量最多的10個(gè)類的樣本組成。Ohscal數(shù)據(jù)集是一個(gè)包含醫(yī)學(xué)期刊中文獻(xiàn)標(biāo)題和摘要的數(shù)據(jù)集。其包含了9121個(gè)樣本，分為10個(gè)不同的醫(yī)學(xué)領(lǐng)域類別。

對于每個(gè)數(shù)據(jù)集，都進(jìn)行了一些簡單的預(yù)處理，包括將所有字母都轉(zhuǎn)換為小寫，刪除了停用詞以及長度少于3個(gè)字符的單詞，并將其余單詞都使用Porter Stemmer算法進(jìn)行修剪。各個(gè)數(shù)據(jù)集的樣本數(shù)量、類別數(shù)量以及預(yù)處理后的單詞數(shù)量見表2。

基于上述數(shù)據(jù)集，構(gòu)建訓(xùn)練集和測試集，其大小比例為6∶4，并盡可能使訓(xùn)練集和驗(yàn)證集中各類別樣本的均勻分布。其中，訓(xùn)練集中已標(biāo)記的樣本比例為20%，其它樣本都為未標(biāo)記樣本。測試集中都為未標(biāo)記樣本。

表2 實(shí)驗(yàn)數(shù)據(jù)集的基本屬性

4.2 性能度量

(1)準(zhǔn)確性(accuracy)

準(zhǔn)確性由查準(zhǔn)率(precision)和召回率(recall)這兩個(gè)度量計(jì)算得到，用來表示算法的整體正確分類性能。表示如下

(7)

式中，tpos為正確分類的陽性樣本，pos為陽性樣本總數(shù)，tneg為正確分類的陰性樣本，neg為陰性樣本總數(shù)。準(zhǔn)確性表示為

(8)

(2)AUC面積

感受性曲線(ROC)是以真陽性率和假陽性率為坐標(biāo)的曲線，曲線與X坐標(biāo)軸之間的面積則為AUC面積，取值為0.5到1之間，用來反映分類器的效果。其值越大說明分類效果越好。

4.3 參數(shù)優(yōu)化的性能驗(yàn)證

在提出的SSL-LDA模型中，需要合理設(shè)定3個(gè)參數(shù)。為了驗(yàn)證提出的參數(shù)優(yōu)化方法的有效性，將估計(jì)出的最優(yōu)參數(shù)與通過網(wǎng)格搜索方法獲得最優(yōu)參數(shù)進(jìn)行比較。網(wǎng)格搜索方法是遍歷所有3249種參數(shù)組合，根據(jù)該參數(shù)組合下的分類準(zhǔn)確率來找到最優(yōu)參數(shù)，該方法非常耗時(shí)，但較為準(zhǔn)確，所以可作為基準(zhǔn)。在兩種方法獲得參數(shù)組合下，在3個(gè)數(shù)據(jù)集上的訓(xùn)練集上進(jìn)行標(biāo)簽樣本擴(kuò)展實(shí)驗(yàn)，其中以擴(kuò)展樣本的標(biāo)簽準(zhǔn)確性作為性能指標(biāo)，結(jié)果見表3。

表3 基于兩種參數(shù)優(yōu)化方法的樣本標(biāo)簽擴(kuò)展準(zhǔn)確性/%

可以看出，基于SPSO參數(shù)優(yōu)化獲得的擴(kuò)展訓(xùn)練集與基于網(wǎng)格搜索的參數(shù)所獲得擴(kuò)展訓(xùn)練集的準(zhǔn)確性相近，這說明了提出的參數(shù)優(yōu)化算法所獲得的參數(shù)組合幾乎為最優(yōu)參數(shù)組合，驗(yàn)證其有效性。另外，SPSO算法只需要迭代搜索約50次左右即可得到最優(yōu)解，而網(wǎng)格搜索需要遍歷所有3249種參數(shù)組合，這就大大降低了參數(shù)優(yōu)化過程的計(jì)算時(shí)間。

4.4 樣本分類的性能比較

本文使用SSL-LDA方法構(gòu)建訓(xùn)練集，之后使用樸素貝葉斯(NB)分類器進(jìn)行分類訓(xùn)練，構(gòu)建稱為SSL-LDA+NB的樣本分類方法。將提出的SSL-LDA訓(xùn)練集構(gòu)建方法與其它相關(guān)方法進(jìn)行了比較，分別為基于TF-IDF加權(quán)文本表示的自訓(xùn)練方法(SSL-TF-IDF)、基于期望最大化(EM)的自訓(xùn)練方法。SSL-TF-IDF方法中的學(xué)習(xí)過程與提出的SSL-LDA相似，區(qū)別在于其使用了詞包和TF-IDF權(quán)重，而不是本文采用的LDA主題表示。EM方法是一種用于進(jìn)行不完整數(shù)據(jù)優(yōu)化的方法，使用分類器從已標(biāo)記樣本中估計(jì)參數(shù)，然后將概率加權(quán)的類標(biāo)簽分配給未標(biāo)記樣本，迭代執(zhí)行直到收斂。與SSL-LDA算法不同，這種方法的結(jié)果完全是確定的，但其缺點(diǎn)是可能收斂于局部最優(yōu)點(diǎn)。為了公平比較，這些方法都采用NB作為分類器。另外，還和只包含NB分類器的監(jiān)督學(xué)習(xí)算法進(jìn)行了比較，用來驗(yàn)證本文融合半監(jiān)督學(xué)習(xí)算法的可行性。

在每個(gè)數(shù)據(jù)集上執(zhí)行10次實(shí)驗(yàn)，并計(jì)算分類準(zhǔn)確性和AUC面積的平均值，結(jié)果如表4和表5所示，其中最佳性能值由粗體突出表示。

表4 各種方法在數(shù)據(jù)集上的分類準(zhǔn)確度/%

表5 各種方法在數(shù)據(jù)集上的AUC面積

結(jié)果表明，提出的SSL-LDA+NB方法的準(zhǔn)確性和AUC面積結(jié)果都明顯優(yōu)于其它方法。在初始標(biāo)記樣本較小的情況下，傳統(tǒng)監(jiān)督學(xué)習(xí)方法(如NB分類器)則不能實(shí)現(xiàn)良好性能，準(zhǔn)確性很低。而本文通過SSL-LDA模型擴(kuò)展訓(xùn)練集后，則能夠明顯提升分類性能，這說明了SSL-LDA模型的有效性。另外，與SSL-TF-IDF訓(xùn)練集擴(kuò)展方法的結(jié)果表明，LDA主題表示樣本比TF-IDF權(quán)重更為有效。

5 結(jié)束語

在標(biāo)簽集較小情況下的文本分類中，半監(jiān)督學(xué)習(xí)方法比監(jiān)督學(xué)習(xí)方法更為合適。本文提出了一種基于主題模型的半監(jiān)督學(xué)習(xí)模型：SSL-LDA，對一些未標(biāo)記樣本進(jìn)行分類，以此來擴(kuò)展標(biāo)記樣本集。為了實(shí)現(xiàn)更好的SSL-LDA模型，通過ANOVA分析了模型中各種參數(shù)的重要性，并通過SPSO算法來獲得最優(yōu)參數(shù)組合。最后，在擴(kuò)展后的訓(xùn)練集上訓(xùn)練NB分類器。在只具有20%已標(biāo)記樣本的訓(xùn)練集上進(jìn)行了實(shí)驗(yàn)，根據(jù)與其它相關(guān)方法的分類結(jié)果比較，證明了提出方法的優(yōu)越性。

在今后的工作中，將研究其它主題模型來表示文本，并結(jié)合半監(jiān)督學(xué)習(xí)，對未標(biāo)記樣本做出更準(zhǔn)確的標(biāo)記，得到一個(gè)更加完美的標(biāo)記樣本集。