1 引言

面对大规模短文本形式的数据, 快速并准确地获取所需的关键信息以及提高聚类的效率、准确率一直都是人们关注的重点. 但短文本固有的特点, 使得传统的特征权重计算方法无法准确计算. 因此, 学者们采用不同的方法去解决这一缺陷, 总体分为三个方面, 一用特征子集评价方法从特征空间上改进, 包括信息增益^[1]、卡方检验(CHI-sqare, CHI)^[2]、期望交叉熵(Expected Cross Entropy, ECE)^[3]等, 这些评价算法在给定阈值的情况下, 通过计算文本集中每个特征项的权重值, 选择特征项的权重值大于阈值的特征加入特征子集或选择权重值最大的特征项子集直到满足特征子集大小阈值. 例如李凯齐, 刁兴春等^[4]提出一种改进的特征权重计算方法, 通过引入信息论中信息增益的概念, 实现对短文本特征分布具体维度的综合考虑, 克服传统公式存在的不足. 实验结果表明, 改进后的特征权重计算算法在计算特征权重时更加有效. 二在搜索空间策略上进行改进, 包括顺序选择算法、遗传算法、粒子群算法等, 这些算法通过搜索叠加的方式在实现特征空间降维的同时提高算法自身的准确率. 例如杜坤, 刘怀亮等^[5]考虑特征项间的语义关联构造复杂网络并进行特征选择, 定义类别相关系数并结合特征选择结果, 提出一种改进的特征权重计算方法, 并进行中文文本分类实验. 实验结果表明, 改进后的算法较TFIDF算法有更好的分类效果. 三从特征属性上进行改进, 包括词频^[6]、特征在文本中的位置^[7]、词共现分析等, 以上特征属性作为影响因子加入实验中. 例如李欣蓬等^[8], 提出双维度特征关系和特征位置对类别学习的影响, 实验结果反映了词性对于特征权重的积极影响.

多种实验表明从特征属性上改进特征权重要优于其他两种方法^[9-11]. 其中于海燕等^[12]提出一种基于词性嵌入的特征权重计算方法, 从词性对情感分类的贡献度嵌入到TF-IDF算法中. Gang Wang, Zhu Zhang等^[13]提出基于词性情绪分类的PSO-RS算法, 实验表明POS-RS情绪分类可以作为一个可行的方法, 有可能被成功地应用于其他文本分类问题. 这些研究表明词性对于特征权重上的改进能够提高后续验证实验的准确率, 对于本文的研究有重大意义. 本文从词性属性出发, 提出一种新的基于词性特征的特征权重计算算法(Translation Decision Model Of Quantum-behaved Particle Swarm Optimization, TDQO). 在特征选择阶段中将词性引入到翻译决策模型(Translation Decision Model, TD)中, 以改进后的TDQO算法对聚类的效率与准确性进行改善.

2 传统的特征权重计算方法

传统的特征权重计算方法有很多, 例如TF算法、TF-IDF算法、PageRank算法等等. 其中TF算法仅从文本词频的角度考虑, 一方面考虑到了高词频所带来的高权重, 另一方面却暴露其大量无意义词所产生的高冗余、高复杂度等缺点. 另外PageRank算法是根据网页中的超链接链入的网页数来判断某个网页是否重要. 本文语料为文本数据, 为了使初始化的特征权重有较好的可信度, 本文在计算初始权重计算方法上选择TF-IDF算法.

2.1 TF-IDF算法

TF-IDF算法在计算特征权重时考虑三点: 词频(tf)、反文档频率(idf)以及归一化(normalization). 其中词频tf表示特征在该文档中出现的频率; 反文档频率表示特征在各个文档中的区分能力; 归一化(normalization)用来防止偏向长文档. 考虑三个条件, TF-IDF公式可以表示如下:

$\begin{aligned}\!\!\!weight_{tfid}f(t_k) \!=\!\frac{{tf(t_k, d_i)*lb\left( {N/n_k + 0.01} \right)}}{{\sqrt {\sum\limits_{k = 1}^m {[tf(t_k,d_i)*lb{{(N/n_k + 0.01)}^2}} } }}\end{aligned}$

(1)

其中tf(t_k, d_i)表示特征t_k在文档d_i中出现的频率. N表示为文档总数. m表示文档中的特征数. n_k表示包含特征t_k的文档数.

2.2 TF-IDF算法的缺陷

TFIDF认为一个特征出现的文档频率越小, 则区分类别文档的能力越大. 逆文本频度IDF在一定程度上抑制无意义特征, 但在另一方面重要特征的凸显也造成无意义标注. 而TFIDF的计算为IDF对于TF的权重调整, IDF本身无法有效区分重要特征及无意义特征分布, 使得TFIDF计算特征权重的精度并不是很高.

举例说明该算法的不足. 假设总文档量为100篇. 在2000特征词的文档中“亲情”, “友情”, “的”, “魅力”分别出现30, 90, 100, 5次, “亲情”出现在20篇文档中, “友情”出现在90篇文档中, “的”出现在100篇文档中, “魅力”出现在5篇文档中. 在其TF, IDF, TF-IDF数据如表1.

从表1可以分析出“友情”与“的”权重最低, 但是却表示两个极端, “的”对于特征来说是无意义的特征, 只会增加特征冗余, 而“友情”却是每篇文档的主题词, 经文本聚类可以将文档归为一类. 由此可见TF-IDF算法在特征的重要程度上无法准确判断.

3 TDQO特征权重改进算法

TDQO算法在TF-IDF算法的基础上引入词性加权权重(TDF)以及特征词作为某种词性出现概率(PF), 由此改进TF-IDF算法. 其中TDF加权了词性特征权重, 例如在文本中名词相对于动词、形容词更能代表一篇文档的主题特征, 对于词性加权有效权衡了词性所带来的权重影响. 而PF有效抑制大量某一种词性权重影响.

3.1 词性加权权重

词性加权公式如下:

$TDF = \sum\limits_{j = 1}^n {x_i} $

(2)

其中n为特征作为粒子的总群数, x_i表示第i个特征粒子, j={1, 2, 3}表示某种词性.

3.2 特征作为某种词性概率

特征词为某种词性概率公式如下:

$PF = p(t_j|t)$

(3)

其中t_j表示特征t出现的词性特征.

3.3 TDQO算法

大多数的短文本在文本预处理阶段, 通过词性筛选, 保留下所需要的词性, 李英^[14]提出基于词性的特征预处理方法, 在文本预处理环节过滤掉副词、叹词等贡献度很小的词性, 只保留对分类贡献较大的名词、动词、缩略词等, 实验证明这一方法有效的降低了文本空间的特征维度. 特征权重计算为特征空间中的文本向量的每一维确定合适的数值, 以表达对应特征在文本的重要程度. 特征t_i在文本d_i中的权重表示为w_{i, j}=w(t_i,d_i), 文本d_i的权重向量表示为w_j=w(d_j).

在特征选择算法之后进行词性筛选, 只保留名词、动词、形容词. 一方面更好地通过词性将词频中较高的干扰词性过滤掉, 另一方面可以通过观察哪些词性的词本身虽不具有特征属性, 但对权重产生影响, 比如标题中一些权重较高的词.

本文在不同词性上进行不同程度的加权, 得出一种基于词性的权重计算方法公式如下:

$weight_{TDQO}(t_k) = weight_{tfidf}(t_k)*PF*TDF$

(4)

其中PF*TDF表示为特征t在改进后的量子粒子群优化算法的最优词性加权总值.

3.3.1 TDQO算法流程

TDQO算法在量子粒子群算法的基础上引入TD模型, 它的范围搜索能力极大高于一般QPSO算法. 以下介绍TDQO算法具体实现过程.

(1) 初始化粒子速度与位置. 图1模块①为TDF的计算通过迭代不断判断局部极值pBest和全局极值gBest^[15]来更新自己的速度及位置, 最终找到最优解. 粒子根据公式(5)(6)来优化自己的速度和位置, 公式(7)为词性加权权重, 即TDF.

$\begin{array}{l}V_{i,j}\left( {t + 1} \right) = V_{i,j}\left( t \right) + C_1 * r_{i,j}\left( t \right) * \left[ {P_{i,j}\left( t \right) - X_{i,j}\left( t \right)} \right]\\\quad\;\;\;\;\quad\quad\quad + C_2 * r_{2,j}\left( t \right) * \left[ {G_j\left( t \right) - X_{i,j}\left( t \right)} \right]\end{array}$

(5)

$X_{i,j}\left( {t + 1} \right) = X_{i,j}\left( t \right) + V_{i,j}\left( {t + 1} \right)$

(6)

$TDF = X_{i,j}(t + 1)$

(7)

其中, i表示第i个粒子, j为粒子的第i维, t为进化代数, C₁, C₂为加速方向常数, r₁, r₂为[0, 1]上均匀分布的随机数.

(2) 以(0, 1)随机函数赋值X_i, 并将其作为初始特征权重, V_i=2.0, 初始化每个粒子, 使用k-means聚类算法, 计算聚类准确率作为粒子的适应度值. 粒子在迭代过程中, 当前位置的适应度值大于局部或全局最优解的适应度值, 则更新为粒子当前位置, 否则继续迭代, 最终输出计算的词性加权权重.

(3) 建立翻译决策模型, 将每个特征作为粒子, 并标注词性及对应的布尔值. 图1模块②中TDQO算法中建立的TD模型是最大熵^[16]模型的分支模型, 也是PF计算的过程. 其中TD模型函数的建立用来计算PF值, 即特征作为某种词性出现概率. 其公式如下:

$PF = p(t_j|t) = \sum\limits_y {{e^{\sum\limits_i {\lambda_i f_i(x,y)} }}} $

(8)

其中λ_i初始化为0, f_i(x, y)表示定义的特征函数, x表示特征, y表示对应词性.

(4) 计算当前模型分布期望, 计算最优估计, 最终得到粒子作为词性权重的加权权重.

TDQO算法流程图如图1.

4 实验与分析

使用爬虫工具在豆瓣小说上获取22篇小说书评, 共计24 450条评论. 经预处理剩有17 765个词, 通过TF-IDF计算初始权重, 并设置阈值为0.01, 过滤大量冗余特征. 此时剩有2215个词作为后续对比实验的初始特征集, 根据建模需要, 需再次对词性进行降维, 只保留名词、动词、形容词, 最终特征选择的词剩有1816个.

为了验证词性对文本的贡献度有助于提高聚类的准确率, 本文通过TF-IDF算法、QPSO算法、TDQO算法进行对比实验. 其中TF-IDF方法得到特征向量并直接进行聚类输出; QPSO算法中不标记词性, 通过粒子迭代得到最优加权权重, 其中粒子个数为39 952个, 迭代次数为100次, 得到未加权词性的特征权重, 进而进行聚类输出; TDQO算法实验在QPSO算法实验的基础上, 引入TD模型, 加权计算特征作为某种词性出现的概率并聚类输出. 实验环境为Windows 8操作系统, 2 GB内存, 利用MATLAB及PYTHON开发.

输入: TF-IDF算法权重数据标记粒子词性, 粒子总数

输出: 改进后的特征权重加权, 改进前后的F值

(1) 使用中国科学院计算技术研究所ICTCLAS2014分词器对原始语料进行分词处理;

(2) 使用TF-IDF算法对词频进行排序, 选取词频在0.01以上的词作为新的特征集; 此处是避免大量的非有效特征增加特征冗余;

(3) 对新的特征集进行词性筛选, 只保留名词、动词、形容词;

(4) 引入TD模型的量子粒子群优化算法. 通过TD模型建模函数得到特征作为词性出现的概率加权到粒子迭代中, 当前位置的适应度值大于局部或全局最优解的适应度值, 则更新为粒子当前位置, 否则继续迭代, 最终输出计算的词性最优加权权重;

(5) 将得到的加权后的数据经k-means聚类, 通过修改k值, 在不同类别中使用三种方法进行实验并得出结论.

4.1 实验数据分析

为验证提出方法的有效性, 将TF-IDF算法、QPSO算法及TDQO算法三种方法进行聚类实验, 以检验它们在文本挖掘中的表现. 实验采用聚类领域常用的F-measure作为指标来评价文档聚类方法的效果.

F-measure^[17]是一种结合了precision和recall的聚类评价指标. F-measure的取值范围为[0, 1]. 对应的检索粒子分布表如表2.

在翻译决策模型建模中, 将特征转化成随机粒子. 根据文档粒子采用分散规则赋值, 转化的粒子共39952个, 与之相对应产生39952个初始权重, 相同的特征在分散文档中的权重也会有所不同, 因而在建模过程中, 特征用集中的权重表示, 并用TRUE和FALSE标注. TRUE的情况以二进制1代表, FALSE的情况以二进制0代表, 粒子词性特征以三维向量表示, 并转化成相应十进制, 取值为rand(2, 4, 6), 同时量子粒子群算法仍然使用分散初始权重生成向量作为输入. 初始化粒子速度与位置同步进行, 设置位置x_i=(0, 1), 速度v_i=2.0, 迭代次数MAXGEN=100, 加速常数C₁, C₂均为2.0.

为了验证在引入翻译决策模型的量子粒子群优化算法对聚类的准确度, 将三种方法计算出特征权重构造特征向量, 并进行聚类上的评价比较. 其中聚类类别k=[3, 7], 实验数据recall值及F值上的比较如表3、表4所示.

表3、表4中的3种实验算法在聚类指标recall值及F-measure值上均表现出无论k取何值, TDQO算法始终要优于前两种算法.

根据评价标准F值绘制成折线图如图2所示.

从图2折线趋势图可以明显看出, 使用QPSO算法提高了聚类准确率, 而本文提出的TDQO算法更加有效地提高了聚类准确率. 当类别越大或越小时, QPSO算法准确率虽然与TF-IDF算法准确率很接近, 但是整体准确率有所提高; 当聚类类别数为5时, 准确率提高最大(7.85%). TDQO算法在各个类别上的准确率均大大高于QPSO算法的准确率, 这证明了不同的词性对于文本聚类的贡献度是有影响的. 从整体上来看, 当聚类类别从3开始, 聚类效果呈上升趋势, 当类别数超过5时, 普遍的呈下降趋势. 所以聚类k值为5时, 聚类准确率达到最高.

此时, 将k设定5作为不变量, 测试用三种不同方法在不同特征维度中的聚类效果. 具体实验数据如图3-图5所示.

从图3和图4可以看出共同点: 在低特征维度上聚类分布改善不明显, 在高特征维度上, 聚类分布效果较好. 区别在于TF-IDF算法在[1500, 1800]高维度区间上的聚类效果要好于QPSO算法, 而QPSO算法在[600, 1000]区间上展现了较好的聚类效果.

从图5得出结论: 随着特征维数的增大, 聚类分布显著. 与图3和图4比较来看, TDQO算法在[200, 1800]区间的聚类分布依然表现出良好的聚类效果. 本文提出的TDQO算法一方面提高聚类准确率, 另一方面在不同特征维度也展现了较好的聚类效果, 同时具有更广泛的应用范围.

5 结束语

目前短文本在特征权重计算的方法上很大程度上仍按照长文本的特征计算方法, 然而短文本在特征属性上更具有贡献度, 传统的方法会降低其准确率. 本文在现有的特征权重计算方法的基础上, 提出了TDQO算法^[18]. 该算法引入某种词性作为特征出现时的概率, 并将粒子作为特征在迭代中寻找最优权重配比. 实验表明该算法在聚类中准确率有所提高, 因此也证明了词性权重对于聚类结果是有影响的. 另外, 对于聚类类别k值的选取也会对实验结果有所影响. 对于本文的算法依然还存在改进的地方, 可以在实验的不同环节或者算法内部提高效率.