陳新元，謝晟祎

（1.福州墨爾本理工職業(yè)學院 信息工程系，福建 福州 350108；2.福建農業(yè)職業(yè)技術學院 實驗實訓中心，福建 福州 350119）

1 引言

隨著科技和社交網(wǎng)絡的進步，人們的交流呈現(xiàn)在線化、數(shù)字化的趨勢。微博是國內的主流社交網(wǎng)絡平臺之一，類似國外的Twitter；截至2018年，活躍用戶數(shù)達到4.62億（出自微博數(shù)據(jù)中心發(fā)布的2018年用戶發(fā)展報告）。人們可以在微博上分享其觀點和情感，可以發(fā)表微博或對其他用戶的微博進行評論。此外，微信、人人等IM工具或平臺也有大量的社交信息。

對社交文本進行分析，可發(fā)現(xiàn)網(wǎng)絡意見領袖，可提取、監(jiān)控、跟蹤網(wǎng)絡輿情[1]，還可進一步將數(shù)據(jù)挖掘的結果用于構建情感網(wǎng)絡模型，或用于商業(yè)領域如產品、服務的智能推薦等。

文本分析的基礎是構建表示模型。傳統(tǒng)的文本特征表示方案多采用向量空間模型（VSM），將文本表示為特征向量，向量取值代表了特征權重。當文本較短時，特征詞數(shù)量也較少，且動態(tài)性較強，故生成的特征多為稀疏矩陣；隨著文本規(guī)模的增長，特征向量矩陣的維數(shù)巨大，出現(xiàn)了維度災難，因此文本降維具有重要意義。

傳統(tǒng)聚類方法可分為劃分法和密度法，前者根據(jù)距離等標準，給定分區(qū)數(shù)K，通過初始劃分并反復迭代的方法優(yōu)化樣本的劃分，將數(shù)據(jù)集構造為K個分組，令同一個組內的對象盡可能接近或相關，每個分組代表一個聚類。密度法則是計算區(qū)域內點的密度，若密度超過閾值，則加入相似聚類；密度法可克服基于距離的算法只能發(fā)現(xiàn)“類圓形”的缺點[2]。

本文希望能進一步提高表示模型構建的準確率，因此嘗試對幾種主流降維方法進行分析，并在真實數(shù)據(jù)集上比較其降維效果。在此基礎上，結合神經(jīng)網(wǎng)絡實現(xiàn)聚類，將分詞后的微博文本表示為特征詞簇，從而優(yōu)化文本表示模型。實驗階段將自組織神經(jīng)網(wǎng)絡的表現(xiàn)與傳統(tǒng)k-means算法比較以驗證方案的有效性。

2 結合神經(jīng)網(wǎng)絡的文本降維方法

2.1 隨機映射(RP)

根據(jù)Johnson-Lindenstrauss引理，可以在多項式時間內將高維空間映射到O(log )維的子空間上；同時對于任意0＜ε＜1，點間距離偏差可控制在1±ε以內。因此對于m×n的矩陣Mm×n，可通過Mm×n·Rn×r = M’m×r(r＜＜n)的方式降維，其計算復雜度為O(mnr)，若原矩陣為稀疏矩陣，可進一步將計算復雜度降至O(cmr)，其中c＜n為行內非0元素的均值。

2.2 非負矩陣分解(NMF) [3]

由于文本特征矩陣的元素值非負，故可以分解為2個非負矩陣的乘積，即Mm×n = Km×r×Rr×n(r＜＜n)，(m+n)×r ＜ mn。取原矩陣和矩陣R的第i列，可表示為Mi = KRi，則Mi則可視作關于K的正線性組合，系數(shù)為Ri。K=[w1， w2， …， wr]可看做是對M進行線性估計的優(yōu)化的基向量，可嘗試用用較少的基揭示M的數(shù)據(jù)結構。該算法具有收斂快、存儲空間小等優(yōu)點，適用于大規(guī)模文本。

2.3 隱含語義分析(LSA)

文本用詞多樣性并非可靠的概念表示，相反很可能掩蓋了其語義結構，因此LSA方法通過奇異值分解實現(xiàn)降維，將矩陣W表示為W=UAVT，U、V分別是對應的左右奇異向量矩陣，A是W按奇異值遞減構成的對角矩陣；通過構建近似矩陣Wr=UrArVrT實現(xiàn)降維以突顯語義特征，Ur和Vr分別作為文本向量和詞向量。通過奇異值分解和近似矩陣設計，LSA在很大程度上消除了文本噪聲[4]。但奇異值分解資源開銷較高，達到O(mn2)，因此LSA通常用于少量文本的處理。此外，若文本為稀疏矩陣，同樣可將復雜度降至O(cmn)，其中c＜n為行內非0元素的均值。3種方法中，RP和NMF的復雜度低于LSA。

2.4 基于神經(jīng)網(wǎng)絡的特征詞聚類算法

基本思路為特征詞的上下文越相似，其應用環(huán)境和語義就越相似[5]；因此將特征詞左右各n個詞計入上下文考慮范圍，根據(jù)上下文的相似度，使用神經(jīng)網(wǎng)絡實現(xiàn)自動聚類。

具體過程如下：

⑴ 在給定特征詞集合的基礎上，使用Huffman編碼；

⑵ 設置context窗口參數(shù)并進行提取，將特征詞自身作為第1層DBN的輸入，其上下文作為第1層輸出，訓練DBN，得到最能代表該特征詞的窗口向量；

⑶ 將DBN的輸出作為SOM神經(jīng)網(wǎng)絡的輸入，其輸出即為相同或相近語義的特征詞聚類結果。

3 實驗與結果分析

實驗所用硬件為：Xeon 3104×2；16G×8內存；1.2T SAS硬盤×3，Raid5。

本文自建微博數(shù)據(jù)集，使用分布式的爬蟲系統(tǒng)同時通過微博API接口和Web頁面提取信息，隨機抽取話題；使用中科院的ICLCLAS對抓取的數(shù)據(jù)進行分詞和停用詞處理等預處理操作，最后得到分割后的文本單元。

分別運用RP、NMF和LSA等方法作降維處理（r=100和r=200），采用SOM神經(jīng)網(wǎng)絡進行文本聚類分析，在來自4個話題的10萬、20萬、50萬條微博短文本上比較降維用時和聚類平均準確性，結果如表1、表2所示。分析可知：

表1 降維用時 （單位：s）

⑴ 與計算量少的RP方法相比，NMF和LSA的耗時高出許多；后兩者間，耗時隨著數(shù)據(jù)集規(guī)模增加逐漸接近；在50萬條數(shù)據(jù)集上，無論r取100或200，NMF和LSA的用時基本一致；

⑵ 3種降維方法都能在一定程度上提高聚類的準確率，相比RP，NMF和LSA的聚類準確率有明顯提高，能夠在一定程序上降低噪聲的影響；LSA的準確率最高。

此外，實驗中使用了增量算法對文本分塊并不斷更新表示模型，同時使用了Storm框架提高分析效率，實現(xiàn)文本表示模型的動態(tài)更新。具體過程如下：LogHub系統(tǒng)接收文本后，使用并行Spout組件讀取文本；將數(shù)據(jù)副本緩存在IRichBolt中；數(shù)據(jù)通過增量模型，經(jīng)聚類和降維后發(fā)送到IncrementBolt；最終通過HBase Shell進行實時表示和分析。

4 結論

文本降維是特征矩陣表示模型優(yōu)化的重要環(huán)節(jié)，合適的文本降維方法有助于提高聚類準確性。實驗數(shù)據(jù)表明，RP、NMF和LSA方法都能在一定程度上改善聚類表現(xiàn)；基于神經(jīng)網(wǎng)絡的聚類方法相比傳統(tǒng)K-means方法也有一定改善。另外，降維矩陣的選擇和計算，對于方法用時和準確率也有一定影響，相關參數(shù)的計算可作為今后研究的內容。

表2 聚類平均準確率