地點(diǎn)信息在話題檢測(cè)中的應(yīng)用

謝林燕，戚銀城，孫 卓

(華北電力大學(xué)電子與通信工程系，河北保定 071003)

隨著信息傳播手段的進(jìn)步，尤其是互聯(lián)網(wǎng)的出現(xiàn)，已對(duì)信息爆炸的情況，如何快捷準(zhǔn)確地獲取有效信息是人們關(guān)注的主要問(wèn)題。由于網(wǎng)絡(luò)信息數(shù)量過(guò)大，與一個(gè)話題相關(guān)的信息往往孤立分散在不同地方，并出現(xiàn)在不同的時(shí)間，僅通過(guò)這些孤立的信息，人們對(duì)某些事件難以做到全面把握。因此人們迫切希望擁有一種工具，能夠自動(dòng)把相關(guān)話題的信息匯總供人查閱。話題檢測(cè)與跟蹤(Topic Detection and Tracking，TDT［1］)技術(shù)在這種情況下應(yīng)運(yùn)而生。話題檢測(cè)與跟蹤是一項(xiàng)旨在依據(jù)事件對(duì)語(yǔ)言文本信息流進(jìn)行組織、利用的研究，也是為應(yīng)對(duì)信息過(guò)載問(wèn)題而提出的一項(xiàng)應(yīng)用研究。話題檢測(cè)是TDT測(cè)評(píng)中的一項(xiàng)測(cè)評(píng)任務(wù)，即將新聞數(shù)據(jù)流中的報(bào)道歸入不同的話題，并在必要時(shí)建立新話題的技術(shù)。話題檢測(cè)可分為兩個(gè)階段:檢測(cè)新話題的出現(xiàn)和將后續(xù)報(bào)道加入相關(guān)的話題。圖1為話題檢測(cè)的基本思想。

圖1 話題檢測(cè)基本思想

目前，已有多位學(xué)者針對(duì)話題檢測(cè)技術(shù)展開(kāi)研究，并取得了一定的進(jìn)展。文獻(xiàn)［2］提出了一種帶有時(shí)間窗口的單遍聚類方法，話題和報(bào)道之間的相似度計(jì)算主要采用向量夾角余弦值，但根據(jù)時(shí)間因素利用一個(gè)時(shí)間窗口作調(diào)整。UMass［3］大學(xué)系統(tǒng)的核心算法仍是單遍聚類算法，在質(zhì)心比較策略中，設(shè)置了兩個(gè)閾值θmatch和θcertain，當(dāng)前報(bào)道與某話題類的質(zhì)心相似度高于θmatch時(shí)，就斷定該報(bào)道應(yīng)當(dāng)歸入此類，只有當(dāng)它們之間相似度值高于θcertain時(shí)，才用當(dāng)前報(bào)道調(diào)整該話題類的質(zhì)心，即該話題類的向量表示。文獻(xiàn)［4］提出了基于多層聚類的有向無(wú)環(huán)圖生成算法，通過(guò)將單層文本聚類變?yōu)槎鄬泳垲悾涗浉鲗哟伍g結(jié)點(diǎn)的合并過(guò)程，得到話題層次結(jié)構(gòu)。文獻(xiàn)［5］提出基于單遍聚類算法和改進(jìn)的KNN算法相結(jié)合的方法進(jìn)行話題檢測(cè)。這些方法的共同點(diǎn)是均采用聚類的方法來(lái)實(shí)現(xiàn)話題檢測(cè)，以語(yǔ)法信息為基礎(chǔ)計(jì)算話題和報(bào)道的相似度，通過(guò)改進(jìn)聚類方法來(lái)提高檢測(cè)精度。然而在話題檢測(cè)研究中存在一個(gè)難題，就是難以區(qū)分相似話題［6］，比如兩次不同的地震災(zāi)害或者恐怖事件，因?yàn)殛P(guān)于這些事件的報(bào)道中所用的詞匯大部分是相同的，所以單一地依靠文本內(nèi)容的相似度計(jì)算，難以將這些報(bào)道正確地進(jìn)行分類。

文中將地點(diǎn)信息運(yùn)用到話題檢測(cè)中，將報(bào)道與話題語(yǔ)料用向量空間模型表示。改進(jìn)基于Baseline模型中的文本內(nèi)容相似度計(jì)算方法，將新聞報(bào)道中涉及的地點(diǎn)因素應(yīng)用到相似度計(jì)算中，并與文本內(nèi)容相似度相結(jié)合，兩者的加權(quán)和作為最終的新聞報(bào)道與話題的相似度，由此來(lái)克服相似話題的難以區(qū)分問(wèn)題。實(shí)驗(yàn)證明，該方法提高了檢測(cè)精度。

1 建立報(bào)道與話題模型

1.1 預(yù)處理與報(bào)道模型

對(duì)收集到的報(bào)道語(yǔ)料進(jìn)行分詞，分詞結(jié)果中含有大量的冠詞、介詞、連詞等出現(xiàn)頻率較高的詞匯，其對(duì)文本表達(dá)的意思基本沒(méi)有任何貢獻(xiàn)，更多的作用在于語(yǔ)法上，即稱為停用詞。為去除噪聲，降低后續(xù)處理流程的復(fù)雜度，減輕整個(gè)算法的計(jì)算開(kāi)銷，提高檢測(cè)精度，首先要去除停用詞。

采用VSM模型表示報(bào)道和話題。基本思想是:它把文本表示成為一個(gè)空間向量，向量的每一維代表該文本的一個(gè)特征(Term)，假設(shè)F為經(jīng)過(guò)預(yù)處理的報(bào)道，term1，term2，…，termm是報(bào)道S中的m個(gè)不同的詞，那么S可以表示為:S=(term1，ω1;term2，ω2;…;termm，ωm)，ωi是 termi在報(bào)道S中的權(quán)值，文中采用TF － IDF［7］公式來(lái)計(jì)算特征項(xiàng)權(quán)值

其中，tfi是termi在報(bào)道S中的詞頻;N是所有已輸入報(bào)道的總數(shù);ni是N篇報(bào)道中含有termi報(bào)道的數(shù)量。

1.2 話題模型

話題是用質(zhì)心來(lái)表示，質(zhì)心是用向量空間模型表示。為了將話題表示成質(zhì)心，需經(jīng)過(guò)抽取特征項(xiàng)和計(jì)算特征項(xiàng)權(quán)值兩步。實(shí)驗(yàn)過(guò)程中，從收集到的相關(guān)語(yǔ)料中隨機(jī)抽取4篇作為訓(xùn)練語(yǔ)料形成相應(yīng)話題。首先對(duì)訓(xùn)練語(yǔ)料進(jìn)行預(yù)處理，然后分別計(jì)算每篇訓(xùn)練語(yǔ)料的特征項(xiàng)權(quán)重。最后進(jìn)行話題特征項(xiàng)的權(quán)重計(jì)算。文中通過(guò)式(2)計(jì)算話題特征項(xiàng)權(quán)重。

其中，weight(term，T)表示特征項(xiàng)term在話題T中的權(quán)重;Si是話題T中包含的新聞報(bào)道;N為話題T包含新聞報(bào)道的總數(shù)量;ω(term，Si)是特征項(xiàng)term在Si中的權(quán)重值。

2 報(bào)道與話題相似度計(jì)算

2.1 基于Baseline模型的報(bào)道與話題相似度計(jì)算

在基于Baseline模型的報(bào)道與話題的相似度計(jì)算中，選用向量夾角余弦函數(shù)作為相似度計(jì)算方法。假設(shè)報(bào)道S與話題T的向量空間模型分別為S=(ws1，ws2，…，wsn)和T=(wt1，wt2，…，wtn)，那么報(bào)道S與話題T基于夾角余弦函數(shù)的相似度如式(3)所示。

2.2 地點(diǎn)信息報(bào)道與話題相似度計(jì)算

特定話題中涉及到的地點(diǎn)信息在解決相似話題難以區(qū)分的問(wèn)題中起著不可忽視的作用。由于相似話題通常采用相同的詞語(yǔ)進(jìn)行描述，如兩次不同的交通事故或恐怖事件，僅采用基于Baseline模型的相似度計(jì)算方法很難將相似話題正確區(qū)分。文中提出結(jié)合地點(diǎn)信息的話題檢測(cè)方法，通過(guò)構(gòu)造地點(diǎn)相似度計(jì)算函數(shù)，獲得地點(diǎn)相似度，并將其計(jì)算結(jié)果應(yīng)用于話題檢測(cè)中。實(shí)驗(yàn)結(jié)果證明，提出的結(jié)合地點(diǎn)相似度的話題檢測(cè)方法能很好地改進(jìn)系統(tǒng)性能指標(biāo)。

提取報(bào)道的地點(diǎn)信息形成地點(diǎn)向量，并與相應(yīng)話題的地點(diǎn)向量進(jìn)行相似度計(jì)算，計(jì)算公式如式(4)所示。

將基于Baseline模型的相似度和地點(diǎn)相似度分別計(jì)算，通過(guò)兩類相似度計(jì)算結(jié)果線性組合的方式得到最終的相似度

其中，α為設(shè)定的參數(shù)，實(shí)驗(yàn)中α=0.4。

3 話題檢測(cè)算法

文中以Single－Pass聚類策略為基礎(chǔ)實(shí)現(xiàn)話題檢測(cè)算法，該算法按新聞報(bào)道輸入的先后順序依次處理信息流中的報(bào)道，直到所有的報(bào)道處理完畢，具體過(guò)程如下:

(1)對(duì)新聞報(bào)道進(jìn)行預(yù)處理，然后利用上述的特征權(quán)重計(jì)算方法計(jì)算報(bào)道和話題中各個(gè)特征詞的權(quán)值，分別建立報(bào)道模型和話題模型。

(2)計(jì)算新聞報(bào)道與話題的相似度，與預(yù)設(shè)的閾值進(jìn)行比較，報(bào)道與話題的相似度高于閾值，則判定該報(bào)道與話題相關(guān)，否則判定該報(bào)道與話題不相關(guān)。

(3)重復(fù)上述過(guò)程直到信息流中的所有報(bào)道都處理完畢。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 評(píng)價(jià)指標(biāo)

文中實(shí)驗(yàn)采用的性能指標(biāo)為正確率(Precision)、召回率(Recall)和F1指數(shù)，其定義如表1所示。

表1 評(píng)價(jià)指標(biāo)

其中，收集到的測(cè)試新聞?wù)Z料中與話題相關(guān)的報(bào)道數(shù)目為a+c，不相關(guān)的報(bào)道數(shù)目為b+d。檢測(cè)結(jié)果中，判定與話題相關(guān)的報(bào)道數(shù)目為a+b，不相關(guān)的報(bào)道數(shù)目為c+d。正確率、召回率和F1指數(shù)計(jì)算方法如下所示。

4.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)采用從互聯(lián)網(wǎng)收集到的新聞報(bào)道作為評(píng)測(cè)語(yǔ)料，該語(yǔ)料包含725篇中文報(bào)道，定義了10個(gè)話題，表2為話題事件與相關(guān)新聞報(bào)道數(shù)目。

表2 話題事件與相關(guān)新聞報(bào)道數(shù)

隨機(jī)選取4篇與韓朝開(kāi)戰(zhàn)相關(guān)的新聞報(bào)道作為訓(xùn)練語(yǔ)料，構(gòu)建話題模型，剩余720篇新聞報(bào)道作為測(cè)試語(yǔ)料，其中選取韓朝開(kāi)戰(zhàn)事件作為本次實(shí)驗(yàn)的相關(guān)話題，其余話題作為與該話題不相關(guān)的反例話題，共計(jì)219篇。分別對(duì)基于Baseline模型和結(jié)合地點(diǎn)信息兩種方法進(jìn)行實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)結(jié)果如表3所示。

?

由上述實(shí)驗(yàn)可知，通過(guò)設(shè)定不同的相似度閾值發(fā)現(xiàn)，隨著該值的增大，正確率提高，召回率下降;結(jié)合地點(diǎn)信息的話題檢測(cè)方法的召回率在同等條件下，高于基于Baseline模型的檢測(cè)結(jié)果，同時(shí)，F(xiàn)1測(cè)試值較Baseline模型改進(jìn)了7.306%，說(shuō)明結(jié)合地點(diǎn)信息的話題檢測(cè)系統(tǒng)的檢測(cè)性能優(yōu)于基于Baseline模型的話題檢測(cè)系統(tǒng)。綜上所述，將地點(diǎn)信息應(yīng)用到話題檢測(cè)是一種行之有效的方法。

5 結(jié)束語(yǔ)

針對(duì)話題檢測(cè)方法進(jìn)行了初步研究，通過(guò)分析新聞報(bào)道語(yǔ)料的特點(diǎn)，將新聞報(bào)道中的地點(diǎn)信息融入報(bào)道與話題的相似度計(jì)算中，即構(gòu)建地點(diǎn)相似度計(jì)算公式，并結(jié)合基于Baseline模型的相似度計(jì)算結(jié)果，將兩類相似度的計(jì)算結(jié)果進(jìn)行線性組合，從而得到報(bào)道和話題的相似度計(jì)算結(jié)果，完成話題檢測(cè)任務(wù)。實(shí)驗(yàn)結(jié)果表明，將地點(diǎn)信息應(yīng)用于話題檢測(cè)能夠提高性能指標(biāo)。

［1］李保利，俞士汶.話題識(shí)別與跟蹤研究［J］.計(jì)算機(jī)工程與應(yīng)用，2003，39(17):7 －10.

［2］YANG Y，CARBONELL J，BROWN R，et al.Multi－ strategy learning for topic detection and tracking［C］.Proc.of the TDT2002 Workshop，2002:85 －114.

［3］KUPIEC J，PEDERSEN J.A trainable document summarizer［C］.Seattle，Washington，USA:Proceedings of the 18th Annual Int'l ACM SIGIR Conf on Research and Development in Information Retrieval(SIGIR'95)，1995:68 －73.

［4］于滿泉，駱衛(wèi)華，許洪波，等.話題識(shí)別與跟蹤中的層次化話題識(shí)別技術(shù)研究［J］.計(jì)算機(jī)研究與發(fā)展，2006，43(3):489－495.

［5］李保利.漢語(yǔ)新聞報(bào)道中的話題跟蹤與識(shí)別研究［D］.北京:北京大學(xué)，2003.

［6］洪宇，張宇，劉挺，等.話題檢測(cè)與跟蹤的評(píng)測(cè)及研究綜述［J］.中文信息學(xué)報(bào)，2007，21(6):71 －87.

［7］劉海峰，王元元，劉守生.一種組合型中文分類特征選擇方法［J］.廣西師范大學(xué)學(xué)報(bào):自然科學(xué)版，2007，25(4):208－211.