任華新

（遼寧對(duì)外經(jīng)貿(mào)學(xué)院，遼寧 大連 116052）

0 引言

隨著文本信息處理技術(shù)的發(fā)展，在計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)進(jìn)行多目標(biāo)的文本信息挖掘，提高對(duì)文本數(shù)據(jù)的檢測(cè)和識(shí)別能力.文本數(shù)據(jù)包含的數(shù)據(jù)集規(guī)模較大，語(yǔ)義特征的關(guān)聯(lián)性較高，對(duì)多目標(biāo)文本數(shù)據(jù)的挖掘難度較大，需要對(duì)多目標(biāo)文本數(shù)據(jù)進(jìn)行有效的關(guān)聯(lián)特征定位，結(jié)合語(yǔ)義關(guān)聯(lián)性檢測(cè)和數(shù)據(jù)挖掘方法，進(jìn)行多目標(biāo)文本數(shù)據(jù)的自動(dòng)挖掘和特征提取，提高多目標(biāo)文本數(shù)據(jù)的優(yōu)化挖掘和數(shù)據(jù)分析能力，研究多目標(biāo)文本數(shù)據(jù)的關(guān)聯(lián)特征定位方法，在數(shù)據(jù)挖掘和特征檢測(cè)中具有很好的應(yīng)用價(jià)值，相關(guān)的多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)定位方法研究受到人們的極大關(guān)注［1］.

通過(guò)對(duì)海量多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位和抽取，提高多目標(biāo)文本數(shù)據(jù)的檢測(cè)和智能語(yǔ)義分析能力.傳統(tǒng)方法中，采用模糊語(yǔ)義特征提取算法進(jìn)行多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位，結(jié)合模糊減法聚類(lèi)的方法進(jìn)行多目標(biāo)文本數(shù)據(jù)庫(kù)的語(yǔ)義信息關(guān)聯(lián)特征定位算法，實(shí)現(xiàn)多目標(biāo)文本數(shù)據(jù)索引和關(guān)聯(lián)特征定位，提高多目標(biāo)文本數(shù)據(jù)庫(kù)的檢測(cè)性能，但上述方法進(jìn)行模糊度較大［2］，計(jì)算開(kāi)銷(xiāo)較大，對(duì)此，本文提出基于RSSI改進(jìn)算法下的多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位方法.構(gòu)建多目標(biāo)文本數(shù)據(jù)的關(guān)聯(lián)結(jié)構(gòu)分布模型，采用模糊關(guān)聯(lián)規(guī)則匹配方法進(jìn)行多目標(biāo)文本數(shù)據(jù)的特征匹配和語(yǔ)義相關(guān)性檢測(cè)，采用RSSI改進(jìn)算法進(jìn)行多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征尋優(yōu)，采用相關(guān)性檢測(cè)技術(shù)進(jìn)行多目標(biāo)文本數(shù)據(jù)的集成濾波，結(jié)合模糊聚類(lèi)方法進(jìn)行多目標(biāo)文本數(shù)據(jù)特征分類(lèi)處理，根據(jù)分類(lèi)結(jié)果實(shí)現(xiàn)RSSI改進(jìn)算法下多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位和挖掘.最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了本文方法在提高多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位能力方面的優(yōu)越性能.

1 多目標(biāo)文本數(shù)據(jù)結(jié)構(gòu)和特征檢測(cè)

1.1 多目標(biāo)文本數(shù)據(jù)結(jié)構(gòu)的語(yǔ)義本體模型

為了實(shí)現(xiàn)多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位挖掘，首先采用基于語(yǔ)義本體模型和關(guān)聯(lián)特征檢測(cè)方法進(jìn)行多目標(biāo)文本數(shù)據(jù)的模糊信息調(diào)度和自適應(yīng)檢測(cè)，提取多目標(biāo)文本數(shù)據(jù)的語(yǔ)義規(guī)則性特征量［3］，進(jìn)行多目標(biāo)文本數(shù)據(jù)的優(yōu)化挖掘和自動(dòng)檢測(cè)設(shè)計(jì)，采用指向性特征檢測(cè)方法，分析多目標(biāo)文本數(shù)據(jù)的數(shù)據(jù)結(jié)果模型，在多目標(biāo)文本數(shù)據(jù)的語(yǔ)義本體分布結(jié)構(gòu)模型中，多目標(biāo)文本數(shù)據(jù)的分布結(jié)點(diǎn)表現(xiàn)為

基于特征的分類(lèi)識(shí)別和文本的關(guān)鍵內(nèi)容檢測(cè)方法［5］，采用三元組形式構(gòu)建多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)的語(yǔ)義本體模型為：

文本摘要關(guān)聯(lián)特征定位的數(shù)據(jù)結(jié)構(gòu)分布模型用一個(gè)二元組表示為：

其中：fij—多目標(biāo)文本數(shù)據(jù)詞匯i出現(xiàn)的頻率；ni—多目標(biāo)文本數(shù)據(jù)的特征檢測(cè)次數(shù).fik—多目標(biāo)文本數(shù)據(jù)中詞語(yǔ)i在文檔分布概率，對(duì)k次出現(xiàn)的文本進(jìn)行關(guān)聯(lián)規(guī)則挖掘，以N為文檔數(shù)目，得到多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位自適應(yīng)加權(quán)函數(shù)表達(dá)式為：

其中：coff1表示IDF1編號(hào)，設(shè)定多目標(biāo)文本數(shù)據(jù)語(yǔ)義固定系數(shù)；coffcosnt表示IDFconst的關(guān)聯(lián)特征分布固定系數(shù).結(jié)合多源特征分布式檢測(cè)方法，進(jìn)行多目標(biāo)文本數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘和特征定位檢測(cè)［6］.

1.2 語(yǔ)義相關(guān)性檢測(cè)

對(duì)挖掘的多目標(biāo)文本數(shù)據(jù)信息資源進(jìn)行語(yǔ)義特征空間重構(gòu)，構(gòu)建多目標(biāo)文本數(shù)據(jù)的資源分布集，在模糊聚類(lèi)空間中，采用關(guān)聯(lián)特征檢測(cè)方法，構(gòu)建多目標(biāo)文本的傳輸信息流，采用線性回歸分析模型進(jìn)行多目標(biāo)文本數(shù)據(jù)的語(yǔ)義相關(guān)性檢測(cè)［7］，給定多目標(biāo)文本數(shù)據(jù)定位的關(guān)聯(lián)特征分布模型，相關(guān)性稀疏分別是a1，a2，…，ak，在多目標(biāo)文本數(shù)據(jù)空間分布集中，以β為邊界條件，得到多目標(biāo)文本數(shù)據(jù)的信息資源融合模糊特征集Mβ：

在追求全局最優(yōu)解過(guò)程中，通過(guò)語(yǔ)義相關(guān)性檢測(cè)得到正常和異常子空間中多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位的模糊函數(shù)為：

計(jì)算多目標(biāo)文本數(shù)據(jù)的模糊關(guān)聯(lián)度特征，采用語(yǔ)義相關(guān)性檢測(cè)，進(jìn)行多目標(biāo)文本數(shù)據(jù)的融合處理，采用梯度投影非負(fù)矩陣分解方法進(jìn)行定位過(guò)程中的自適應(yīng)尋優(yōu)，得到優(yōu)化的模型可表達(dá)為：

2 多目標(biāo)文本數(shù)據(jù)的關(guān)聯(lián)特征定位優(yōu)化

2.1 關(guān)聯(lián)特征提取

在上述構(gòu)建多目標(biāo)文本數(shù)據(jù)的關(guān)聯(lián)結(jié)構(gòu)分布模型并進(jìn)行語(yǔ)義相關(guān)性檢測(cè)的基礎(chǔ)上，進(jìn)行多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位的優(yōu)化設(shè)計(jì)，提取多目標(biāo)文本數(shù)據(jù)的語(yǔ)義模糊性定位信息，采用RSSI改進(jìn)算法進(jìn)行多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征尋優(yōu)［9］，多目標(biāo)文本數(shù)據(jù)的關(guān)聯(lián)主題信息分布的有限集合為：

結(jié)合不同指標(biāo)熵的計(jì)算方法進(jìn)行差異性特征挖掘，得到多目標(biāo)文本數(shù)據(jù)定位的離散信息源分布為：

充分利用多目標(biāo)文本數(shù)據(jù)的時(shí)間和空間相關(guān)性下，多目標(biāo)文本數(shù)據(jù)信息的關(guān)聯(lián)特征匯中匯聚了大量的相關(guān)性特征量，得到相關(guān)性特征映射描述為：

設(shè)多維熵矩陣滿足β∈［0，T］，表示多目標(biāo)文本數(shù)據(jù)的分布相似度信息，將關(guān)聯(lián)指標(biāo)參量加載到信息處理模塊，

利用抽象語(yǔ)義（AMR）圖來(lái)預(yù)測(cè)多目標(biāo)文本數(shù)據(jù)摘要子圖的優(yōu)先級(jí)屬性，可以表示為P(ni)={pk|prkj= 1，k= 1，2，…，m}.利用深度語(yǔ)義檢測(cè)方法，得到多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位的分組關(guān)系為：

采用RSSI改進(jìn)算法進(jìn)行多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征尋優(yōu)，采用相關(guān)性檢測(cè)技術(shù)進(jìn)行多目標(biāo)文本數(shù)據(jù)的集成濾波得到資源信息流為：

上式中，q表示語(yǔ)義摘要分布信息流集合，nq表示無(wú)關(guān)緊要的虛詞語(yǔ)義負(fù)載，多目標(biāo)文本數(shù)據(jù)的關(guān)聯(lián)特征提取輸出：根據(jù)圖節(jié)點(diǎn)間語(yǔ)義結(jié)構(gòu)特征進(jìn)行分組樣本檢測(cè)和回歸分析，結(jié)合模糊相似度融合方法，實(shí)現(xiàn)對(duì)多目標(biāo)文本數(shù)據(jù)的關(guān)聯(lián)特征提取.

2.2 關(guān)聯(lián)特征定位檢測(cè)

結(jié)合模糊聚類(lèi)方法進(jìn)行多目標(biāo)文本數(shù)據(jù)特征分類(lèi)處理，根據(jù)分類(lèi)結(jié)果實(shí)現(xiàn)RSSI改進(jìn)算法下多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位和挖掘，當(dāng)多目標(biāo)文本數(shù)據(jù)分布聚類(lèi)中心的相對(duì)語(yǔ)義摘要分布滿足||C(l) -C(l- 1)||＜ξ，得到多目標(biāo)文本數(shù)據(jù)的聚類(lèi)迭代式為：

設(shè)(sk，ak)和(sl，al)為多目標(biāo)文本數(shù)據(jù)的模糊貼近度矢量，利用ILP的方法對(duì)重要語(yǔ)義節(jié)點(diǎn)進(jìn)行特征重組，提取多目標(biāo)文本數(shù)據(jù)信息的關(guān)聯(lián)規(guī)則特征量［10］，采用詞性過(guò)濾的方法得到多目標(biāo)文本數(shù)據(jù)信息資源屬性分類(lèi)評(píng)估約束因子為：

對(duì)每句話解析生成相應(yīng)的樣本集，在特征分布的相空間中，得到多目標(biāo)文本數(shù)據(jù)語(yǔ)義圖模型描述為：

其中，sc(t)表示多目標(biāo)文本數(shù)據(jù)的各個(gè)AMR圖的概念根節(jié)點(diǎn)，由此提取多目標(biāo)文本數(shù)據(jù)信息的關(guān)聯(lián)規(guī)則特征量，基于RSSI改進(jìn)算法，實(shí)現(xiàn)多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位，定位輸出保留節(jié)點(diǎn)之間對(duì)應(yīng)的邊屬性系，得到了語(yǔ)義節(jié)點(diǎn)集合.改進(jìn)算法的實(shí)現(xiàn)流程如圖2所示.

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文方法在實(shí)現(xiàn)多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)據(jù)分析軟件為Excel 2007 和SPSS19.0，對(duì)多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征采集的樣本數(shù)為2 000，訓(xùn)練樣本集為20，其它仿真參數(shù)設(shè)定為：關(guān)聯(lián)稀疏cr=2，語(yǔ)義相似度μ1=μ2=0.01，語(yǔ)義文本分布密度ρ1=ρ2=0.01，自相關(guān)特征量δ= 0.8，多目標(biāo)文本數(shù)據(jù)的初始采樣頻率f1= 2.1Hz，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征采集和定位，得到原始的多目標(biāo)文本數(shù)據(jù)的采集結(jié)果如圖3所示.

以圖3的數(shù)據(jù)為研究樣本，進(jìn)行多目標(biāo)文本數(shù)據(jù)的關(guān)聯(lián)特征定位，得到定位輸出如圖4所示.

分析圖4得知，采用本文方法能有效實(shí)現(xiàn)多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位，特征定位的匹配能力較好，測(cè)試不同方法進(jìn)行多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位的精度，得到對(duì)比結(jié)果如圖5所示，仿真結(jié)果表明，本文方法進(jìn)行多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位精度較高，特征匹配能力較強(qiáng)，提高了文本數(shù)據(jù)挖掘的準(zhǔn)確性..

4 結(jié)語(yǔ)

對(duì)多目標(biāo)文本數(shù)據(jù)進(jìn)行有效的關(guān)聯(lián)特征定位，結(jié)合語(yǔ)義關(guān)聯(lián)性檢測(cè)和數(shù)據(jù)挖掘方法，進(jìn)行多目標(biāo)文本數(shù)據(jù)的自動(dòng)挖掘和特征提取，提高多目標(biāo)文本數(shù)據(jù)的優(yōu)化挖掘和數(shù)據(jù)分析能力，本文提出基于RSSI改進(jìn)算法下的多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位方法.采用RSSI改進(jìn)算法進(jìn)行多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征尋優(yōu)，采用相關(guān)性檢測(cè)技術(shù)進(jìn)行多目標(biāo)文本數(shù)據(jù)的集成濾波，結(jié)合模糊聚類(lèi)方法進(jìn)行多目標(biāo)文本數(shù)據(jù)特征分類(lèi)處理，根據(jù)分類(lèi)結(jié)果實(shí)現(xiàn)RSSI改進(jìn)算法下多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位和挖掘.研究得知，本文方法進(jìn)行多目標(biāo)文本數(shù)據(jù)關(guān)聯(lián)特征定位的精度較高，數(shù)據(jù)挖掘性能較好，提高定位的特征匹配性.