俸世洲

（重慶師范大學(xué)涉外商貿(mào)學(xué)院，401520）

基于自編碼神經(jīng)網(wǎng)絡(luò)的文本表示應(yīng)用研究

俸世洲

（重慶師范大學(xué)涉外商貿(mào)學(xué)院，401520）

本文主要研究高校招生領(lǐng)域Web短文本的表示方法及處理步驟?；谧跃幋a神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)的要求，研究文本預(yù)處理的主要技術(shù)：中文分詞、停用詞處理、降維處理，文本向量化表示等技術(shù)，并分析了文本表示的處理流程。

高校招生自編碼；中文分詞；文本表示

0　引言

隨著互聯(lián)網(wǎng)的發(fā)展，留言板、QQ、微信等媒體在招生工作中的應(yīng)用越來(lái)越頻繁，積累了越來(lái)越多的電子文本數(shù)據(jù)，如何有效地利用這些大數(shù)據(jù)資源已經(jīng)成為招生領(lǐng)域急需解決的問(wèn)題。為從這些數(shù)據(jù)資源中挖掘有利于改進(jìn)招生工作的信息，嘗試?yán)卯?dāng)下最熱門的深度學(xué)習(xí)算法來(lái)挖掘文本數(shù)據(jù)，基于此算法必須找出一個(gè)適應(yīng)其輸入的文本表示方法，本文分別從中文分詞、停用詞處理、降維處理、文本向量化表示等技術(shù)入手，分析文本表示的處理流程。

1　分詞處理

分詞處理具體包括了若干步驟，如圖1所示：

圖1　中文分詞處理流程

（1）從留言板后臺(tái)獲取數(shù)據(jù)庫(kù)，數(shù)據(jù)庫(kù)為MDB格式，只保留留言主題、留言問(wèn)題及問(wèn)題回復(fù)三個(gè)字段，把其余字段去除，這三個(gè)字段包含的信息量最大，其中包含了考生咨詢的主題、具體細(xì)節(jié)以及回復(fù)人員的解答。通過(guò)數(shù)據(jù)庫(kù)工具把這三個(gè)字段導(dǎo)出到文本編輯工具當(dāng)中。

（2）利用文本編輯工具如記事本、word或excel，去除HTML代碼及多余的符號(hào)。由后臺(tái)數(shù)據(jù)庫(kù)導(dǎo)出的數(shù)據(jù)當(dāng)中存在很多HTML代碼，如：＜font color="#cc0000"＞回復(fù)內(nèi)容＜/font＞，需要手動(dòng)去除掉，保留純文本的部份。

（3）目前應(yīng)用比較廣泛的中文分詞工具有NLPIR/ICTCLAS分詞系統(tǒng)和教育部語(yǔ)言文字應(yīng)用研究所的分詞和詞性標(biāo)注程序。本文選用后者用于試驗(yàn)，此系統(tǒng)可以對(duì)文件進(jìn)行批量處理，并同時(shí)標(biāo)注詞性，利于下一步去除停用詞等工作。如圖2所示：

（4）分詞和詞性標(biāo)注完成后，得到分詞及標(biāo)注后的文本文件，從中可區(qū)分出名詞、動(dòng)詞、停用詞、嘆詞等詞性。去除停用詞等不需要的詞，這也是對(duì)文本進(jìn)行降維的方式。

通過(guò)以上幾步的處理，輸出純文本文件，準(zhǔn)備下一步的文本向量化表示。

圖2　分詞和詞性標(biāo)注程序

2　文本向量化表示

文本文檔是字符的集合，是非結(jié)構(gòu)化信息，神經(jīng)網(wǎng)絡(luò)不能識(shí)別，必須將其轉(zhuǎn)換成統(tǒng)一的結(jié)構(gòu)化形式，才能夠進(jìn)行進(jìn)一步的分析和處理。1975年，Salton提出的向量空間模型（Vector Space Model）是文本分類中應(yīng)用最廣泛的一種文本表示模型。在該模型中，所有出現(xiàn)在文本中的特征項(xiàng)被作為向量空間中的一維，n個(gè)特征項(xiàng)就構(gòu)成一個(gè)n維的特征向量空間。每一篇文檔都表示成一組特征詞組成的特征向量，其中表示特征詞k在特征向量中的權(quán)重。權(quán)值的取值范圍為［0，1］。

向量空間中，主要有以下幾種權(quán)重計(jì)算方式：布爾加權(quán)法，詞頻加權(quán)法，加權(quán)法。假設(shè)為特征項(xiàng)在文檔，出現(xiàn)的頻率，n為文檔集中文檔總數(shù)，為在文檔集中出現(xiàn)文檔特征項(xiàng)的文檔數(shù)量。

（1）布爾加權(quán)法

布爾權(quán)重也叫二值權(quán)重或二元權(quán)重，是最簡(jiǎn)單的權(quán)重計(jì)算方法。如公式1所示，當(dāng)特征項(xiàng)出現(xiàn)在文檔中時(shí)，權(quán)重為1，否則為0。

即，公式1

（2）詞頻加權(quán)法

用特征頻度作為權(quán)重。即。

（3）加權(quán)法

加權(quán)法是使用比較廣泛的權(quán)重計(jì)算方法。特征在文本中出現(xiàn)次數(shù)越多，越重要；特征在越多的文本中出現(xiàn)，越不重要。即，。

基于自編碼神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)的要求，并且留言板文本屬于Web短文本，用布爾加權(quán)法來(lái)表示更加適用。本文選擇布爾加權(quán)法表示文本向量。詞頻統(tǒng)計(jì)工具我們采用教育部語(yǔ)言文字應(yīng)用研究所的字詞頻率統(tǒng)計(jì)工具，如圖3所示：

統(tǒng)計(jì)過(guò)后，去除出現(xiàn)頻率過(guò)高或過(guò)低的詞，并構(gòu)建特征詞表。最后通過(guò)程序構(gòu)造出布爾編碼向量，形成自編碼神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。

圖3　字詞頻率統(tǒng)計(jì)工具

4　結(jié)語(yǔ)

本文通過(guò)一個(gè)文本預(yù)處理實(shí)例分析了中文分詞、停用詞處理、降維處理、文本向量化表示等技術(shù)的實(shí)施步驟，并為后期的文本分類等工作做好數(shù)據(jù)準(zhǔn)備。

［1］ SONGF，LIUS，YANGJ.Acomparative study on text representations chemes intext categorization［J］.Pattern Analysis & Applications， 2005， 8（1）： 199-209.

［2］ 楊杰明. 文本分類中文本表示模型和特征選擇算法研究［D］.長(zhǎng)春：吉林大學(xué)，2013

1981年9月出生；工作單位：重慶師范大學(xué)涉外商貿(mào)學(xué)院；重慶大學(xué)計(jì)算機(jī)系統(tǒng)結(jié)構(gòu)專業(yè)碩士，助理研究員職稱，研究方向：數(shù)據(jù)挖掘，人工智能，人工神經(jīng)網(wǎng)絡(luò)

Research indicates neural network based on self-encoding text

Feng Shizhou
（Chongqing Normal University Foreign Trade And Business College，401520）

This paper studies the field of representation College Enrollment Web and short text processing steps.Based on self-encoding neural network input data requirements，the main technical pretreatment study text:Chinese word，stop word processing，reduce the dimension text representation techniques to quantify and analyze the process flow text representation.

College Admissions self-encoding；Chinese word；text representation

項(xiàng)目支持：重慶市教委科學(xué)技術(shù)研究項(xiàng)目KJ1501703重慶師范大學(xué)涉外商貿(mào)學(xué)院科研項(xiàng)目KY2015004