白 楊

（遼東學(xué)院 信息工程學(xué)院，遼寧 丹東 118003）

近年來，人工智能、云計算、物聯(lián)網(wǎng)、移動通信等技術(shù)與應(yīng)用的快速發(fā)展及其與社會經(jīng)濟(jì)活動的廣泛融合，把人類社會帶入一個全新的大數(shù)據(jù)時代。大數(shù)據(jù)成為國際競爭、國家發(fā)展的重要領(lǐng)域，給人們的生活、學(xué)習(xí)和工作帶來新的模式，采用合理的方法針對大數(shù)據(jù)進(jìn)行挖掘和利用，將有助于獲取有價值的信息。高校的發(fā)展也應(yīng)迎合大數(shù)據(jù)新環(huán)境的要求，在教學(xué)理念上做出適合學(xué)生能力發(fā)展的調(diào)整，并切實(shí)在教學(xué)實(shí)踐中付諸行動，增強(qiáng)學(xué)生的就業(yè)競爭優(yōu)勢。

目前，面向大數(shù)據(jù)相關(guān)人才的迫切需求，我國各大高校的計算機(jī)科學(xué)、信息管理等專業(yè)開設(shè)了“數(shù)據(jù)挖掘”課程。大數(shù)據(jù)環(huán)境下的互聯(lián)網(wǎng)約95%的數(shù)據(jù)以文本數(shù)據(jù)形式存在，文本挖掘技術(shù)及其應(yīng)用已經(jīng)成為新的研究熱點(diǎn)，是數(shù)據(jù)挖掘技術(shù)發(fā)展的重要方向[1]。在各類相關(guān)教材中，也只將文本挖掘作為Web挖掘的一個小知識點(diǎn)，并沒對其知識構(gòu)成和主要技術(shù)做全面介紹。針對這一現(xiàn)象，本文將對文本挖掘這一知識點(diǎn)進(jìn)行系統(tǒng)概述，對其區(qū)別于其他形式數(shù)據(jù)的挖掘技術(shù)特點(diǎn)進(jìn)行闡述。

1 文本挖掘概述

文本挖掘一詞最早出現(xiàn)于1998年第十屆歐洲機(jī)器學(xué)習(xí)會議上，它是一個從大量文本數(shù)據(jù)中提取以前未知的、有用的、可理解的、可操作的知識的過程[2]。文本挖掘的目的是從文本集合中，試圖在一定的理解水平上盡可能多地提取知識，其本質(zhì)是自然語言處理（Natural Language Processing，NLP）過程，NLP是將無結(jié)構(gòu)的自然語言轉(zhuǎn)換成結(jié)構(gòu)化數(shù)據(jù)自然語言，便于計算機(jī)的理解、存儲和管理。

1.1 文本挖掘的應(yīng)用場景

文本挖掘的應(yīng)用場景豐富，主要包括以下幾個方面：新聞檢索歸類，如谷歌新聞；社交網(wǎng)絡(luò)分析，如微博、推特?zé)狳c(diǎn)發(fā)現(xiàn)、謠言識別等；輿情監(jiān)測分析，如股票分析、房產(chǎn)分析等；顧客反饋評價，如電子商務(wù)評價情感分析；用戶畫像，如用戶興趣偏好分析。

1.2 文本挖掘與數(shù)據(jù)挖掘的聯(lián)系和區(qū)別

廣義上，文本挖掘是數(shù)據(jù)挖掘的一個分支領(lǐng)域，挖掘目標(biāo)也分為預(yù)測和描述兩種。預(yù)測是利用數(shù)據(jù)庫中已有的變量預(yù)測未知或?qū)淼臄?shù)值；描述是用于探索已有數(shù)據(jù)的性質(zhì)，對數(shù)據(jù)中的模式或關(guān)系進(jìn)行辨別，注重發(fā)現(xiàn)描述數(shù)據(jù)的模式，提供給用戶解釋和表述。狹義上，如果將文本挖掘作為一個單獨(dú)的研究領(lǐng)域，其研究對象是無結(jié)構(gòu)或半結(jié)構(gòu)的文本，而非結(jié)構(gòu)化數(shù)據(jù)；以提取概念和知識以及做出描述和預(yù)測為目標(biāo)，而非預(yù)測未來的狀態(tài)；挖掘方法以提取短語、形成概念為主，與數(shù)據(jù)挖掘的傳統(tǒng)方法類似，也包括聚類、分類、關(guān)聯(lián)分析等。另外，由于文本數(shù)據(jù)是各類網(wǎng)站的主要數(shù)據(jù)形式，它廣泛應(yīng)用于社交網(wǎng)站、電子商務(wù)平臺、文獻(xiàn)集合、知識庫、電子郵件等媒介。

2 文本挖掘過程

如何使得文本數(shù)據(jù)可被計算機(jī)理解？如何利用計算機(jī)幫助解讀文本數(shù)據(jù)？要解決這些問題，皆要求文本挖掘具備數(shù)據(jù)獲取、數(shù)據(jù)分析和數(shù)據(jù)建模3方面的能力，以下5個步驟闡述了文本挖掘過程。

2.1 文本數(shù)據(jù)獲取

通常通過爬蟲程序?qū)崿F(xiàn)網(wǎng)絡(luò)海量文本數(shù)據(jù)的抓取，具體過程是根據(jù)挖掘目的設(shè)計爬蟲程序，爬取相關(guān)的數(shù)據(jù)，以形成文本數(shù)據(jù)挖掘的初始數(shù)據(jù)。

2.2 文本挖掘的預(yù)處理

預(yù)處理過程是對編碼、缺失值、分布分析等問題進(jìn)行處理，是能否獲得有效挖掘結(jié)果的關(guān)鍵。由于文本數(shù)據(jù)的特征，文本數(shù)據(jù)的預(yù)處理方法區(qū)別于其他類型數(shù)據(jù)的預(yù)處理方法，具有其特殊性，因此這部分知識點(diǎn)是文本挖掘教學(xué)內(nèi)容的重點(diǎn)，預(yù)處理過程一般劃分為以下幾個環(huán)節(jié)。

2.2.1 編碼處理

首先需要對文本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，因為不同編碼格式，有些軟件可能會不識別導(dǎo)致出錯，統(tǒng)一編碼（如將編碼轉(zhuǎn)化成“UTF-8”）將方便進(jìn)一步的主題特征抽取。

2.2.2 分詞處理

分詞處理將確定語句的詞（words）或詞項（terms），即文檔粒度。不同于英文語句中的詞與詞之間自帶空格的構(gòu)句特點(diǎn)，中文句子往往因為斷句的不同而引起歧義，因此，中文分詞方法顯得額外重要。中文分析方法分為詞典分詞和無詞典分詞兩種，前者是利用詞典中包括的領(lǐng)域術(shù)語，根據(jù)設(shè)定好的切詞字?jǐn)?shù)，通過最大正向匹配將語句從左至右進(jìn)行切分。后者是利用統(tǒng)計思想來分詞，如最大概率法公式為：一個詞的概率=其出現(xiàn)的次數(shù)/語料中總的詞數(shù)，以此區(qū)分詞在一個文檔中的重要程度。另外，還有一些常用的切詞工具如StandardAnalyzer，ChineseAnalyzer等都各具優(yōu)勢。

2.2.3 文本數(shù)據(jù)的表示—DTM矩陣生成

分詞處理之后需要進(jìn)行數(shù)據(jù)的表示，通過文檔—詞項矩陣（Document-Term Matrix，DTM）矩陣實(shí)現(xiàn)對本文數(shù)據(jù)的結(jié)構(gòu)化處理，它由文檔為樣本（行）、詞項為變量（列）、詞頻為觀測值（元素）構(gòu)成，如表1所示3個文檔（Doc1，Doc2，Doc3）的各個詞項（“歡迎”“來到”等）的詞頻值為1或0，1表示該詞項在文檔中出現(xiàn)，0表示該詞項在文檔中未出現(xiàn)。

2.2.4 文本信息過濾—停用詞及常用詞處理

詞項中有些停用詞（如表1中的“的”“與”）無法給予我們有價值的信息，因此，需要借助詞典對停用詞進(jìn)行處理。需要注意的是，在分析具體行業(yè)時，一些常用詞也可以處理掉，如只分析房地產(chǎn)行業(yè)時，“房地產(chǎn)”一詞本身的意義就不大了。

2.2.5 文本特征篩選TF-DIF處理

詞頻—逆文本頻率指數(shù)（Term Frequency-Inverse Document Frequency，TF-IDF）的思想是一個詞在A文檔中出現(xiàn)頻率高（對A重要），而在其他文檔中出現(xiàn)次數(shù)相對低（對全局具有個性化），那么認(rèn)為該詞對于A文檔是重要的，它對A文檔有信息代表性，這將有利于進(jìn)行文本分類，從而方便提取規(guī)律和進(jìn)行檢索。

表1 數(shù)據(jù)挖掘與文本挖掘的區(qū)別

2.2.6 文本特征抽取—LDA主題模型

與TF-IDF不同，文檔主題生成模型（Latent Dirichlet Allocation，LDA）則將分析粒度從詞映射為詞的組合（構(gòu)成主題），從而使得分析粒度變大，分析維度降低。

2.3 文本數(shù)據(jù)分析與挖掘

根據(jù)挖掘目的和任務(wù)的不同，將文本挖掘分析與挖掘劃分為以下幾個功能。（1）關(guān)鍵詞檢索：與傳統(tǒng)的信息檢索使用的技術(shù)類似，關(guān)鍵詞檢索功能通過建立倒排文件索引實(shí)現(xiàn)。（2）相似檢索：找到相似內(nèi)容的文本，通常利用向量空間模型、余弦相似度模型進(jìn)行相似度計算。（3）詞語關(guān)聯(lián)分析：聚焦在詞語（包括關(guān)鍵詞）之間的關(guān)聯(lián)信息分析上。（4）文本分類和聚類：文本分類是有監(jiān)督地將文檔分為指定類；文本聚類是無監(jiān)督地將文檔分為若干類。實(shí)際上，多種分析方法經(jīng)?；旌线\(yùn)用，如進(jìn)行數(shù)據(jù)特征化處理使數(shù)據(jù)降維，從文檔中抽取能反映研究主題的一些特征后，再使用分類器進(jìn)行訓(xùn)練，而分類設(shè)置包括很多方法，如聚類、關(guān)聯(lián)、信息檢索、鏈接分析等方法。（5）自然語言處理：揭示自然語言的涵義，實(shí)現(xiàn)文本語義挖掘，如運(yùn)用LDA模型生成文本主題。

2.4 文本數(shù)據(jù)可視化

數(shù)據(jù)可視化就是把復(fù)雜的數(shù)據(jù)轉(zhuǎn)化為直觀的圖形，有利于進(jìn)行數(shù)據(jù)分析以及方便人們洞悉數(shù)據(jù)規(guī)律。目前研究領(lǐng)域和Web上最受歡迎的文本內(nèi)容可視化方法是標(biāo)簽云和Wordle，它們都是基于關(guān)鍵詞的方法。另外還有文本特征可視化、情感分析可視化、文本關(guān)系可視化等。

2.5 挖掘結(jié)果和策略

為輔助決策，文本挖掘的結(jié)果必須被用戶所理解，因此，需要對挖掘結(jié)果進(jìn)行評估。評估標(biāo)準(zhǔn)一般分為客觀標(biāo)準(zhǔn)和主觀標(biāo)準(zhǔn)，其出發(fā)點(diǎn)均是判斷挖掘結(jié)果是否具有新穎的、有趣的、有價值的性質(zhì)。

3 結(jié)語

本文對文本挖掘的教學(xué)內(nèi)容做了系統(tǒng)、全面的設(shè)置，梳理了此知識點(diǎn)的基本概念，著重介紹區(qū)別于其他數(shù)據(jù)挖掘預(yù)處理的分詞技術(shù)及矩陣表示方法，并闡述了主要挖掘和分析方法及其應(yīng)用場景。實(shí)踐教學(xué)中，將利用開放的互聯(lián)網(wǎng)數(shù)據(jù)庫資源，使課堂教學(xué)、上機(jī)實(shí)驗案例相結(jié)合，引導(dǎo)學(xué)生掌握文本數(shù)據(jù)挖掘技術(shù)的知識結(jié)構(gòu)，調(diào)動學(xué)生的學(xué)習(xí)積極性和興趣。未來工作中，將進(jìn)一步引入前沿的文本挖掘問題應(yīng)用于“數(shù)據(jù)挖掘”課程的教學(xué)中，豐富教學(xué)案例，提高教學(xué)效果。

[參考文獻(xiàn)]

[1]袁軍鵬，朱東華，李毅，等.文本挖掘技術(shù)研究進(jìn)展[J].計算機(jī)應(yīng)用研究，2006（2）：1-4.

[2]JIAWEI H，MICHELINE K，JIAN P，等.數(shù)據(jù)挖掘概念與技術(shù)[M].范明，孟小峰，譯.北京：機(jī)械工業(yè)出版社，2012.