一種基于信息論的文本數(shù)據(jù)挖掘算法

方玉峰

摘 要隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展和應(yīng)用，很多領(lǐng)域已經(jīng)積累了海量數(shù)據(jù)資源，文本數(shù)據(jù)占據(jù)了85.6%，因此文本數(shù)據(jù)挖掘和分析成為人們研究的熱點，并且引起了百度、Google、京東、騰訊等互聯(lián)網(wǎng)公司關(guān)注。可以在文本數(shù)據(jù)挖掘中引入支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、K均值算法，但是這些算法需要依賴經(jīng)驗知識，不能夠從多維度挖掘文本數(shù)據(jù)。因此，為了解決上述問題，本文提出構(gòu)建一種基于信息論的文本數(shù)據(jù)挖掘算法，該算法可以從海量文本數(shù)據(jù)集中發(fā)現(xiàn)潛在的有價值的信息，提高文本分類的準(zhǔn)確度。

【關(guān)鍵詞】信息論 文本數(shù)據(jù) 數(shù)據(jù)挖掘 準(zhǔn)確度

1 引言

文本數(shù)據(jù)挖掘包括兩個大類別，一種是有監(jiān)督學(xué)習(xí)方法，比如BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯理論；一種是無監(jiān)督學(xué)習(xí)方法，比如譜聚類、密度聚類、K均值、信息論等方法。有監(jiān)督文本數(shù)據(jù)挖掘方法需要利用人們的經(jīng)驗，預(yù)先構(gòu)建一個分析模型，然后盡可能地提高這個學(xué)習(xí)模型的準(zhǔn)確性，從而保證文本數(shù)據(jù)挖掘的精確度；無監(jiān)督學(xué)習(xí)方法卻不需要任何先驗知識，系統(tǒng)自動地將文本數(shù)據(jù)按照不同的關(guān)注角度進(jìn)行分類。

2 文本數(shù)據(jù)處理發(fā)展現(xiàn)狀

文本數(shù)據(jù)處理自從誕生之后，從簡單的人工標(biāo)注發(fā)展到當(dāng)前的自動挖掘，文本數(shù)據(jù)挖掘取得了顯著的應(yīng)用成效。本文結(jié)合筆者實踐知識，簡要介紹BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、K均值三種具有代表性的文本數(shù)據(jù)挖掘算法。BP神經(jīng)網(wǎng)絡(luò)能夠按照統(tǒng)計學(xué)規(guī)則，實現(xiàn)文本數(shù)據(jù)處理，輸入層可以接收所有數(shù)據(jù)，并且將這些數(shù)據(jù)傳輸給中間層的神經(jīng)元，神經(jīng)元負(fù)責(zé)數(shù)據(jù)信息處理、變換，并且能夠根據(jù)信息變化能力的需求，改變和整合中間層結(jié)構(gòu)。文本數(shù)據(jù)流經(jīng)過識別和處理之后，就可以從中間層分發(fā)到輸出層，這樣就可以完成一次學(xué)習(xí)過程，將BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練成為一個準(zhǔn)確度非常高的模型，還可以通過誤差梯度下降等修正各個層次的權(quán)值，向隱藏層逐級反饋，實現(xiàn)反向傳播和修正，提高文本數(shù)據(jù)識別精確度。支持向量機(jī)是一種基于統(tǒng)計學(xué)習(xí)理論的模式識別算法，是一個二類分類模型，在文本數(shù)據(jù)分析過程中，可以將文本數(shù)據(jù)劃分為正常數(shù)據(jù)或非法數(shù)據(jù)，并且可以對文本數(shù)據(jù)進(jìn)行深度分析。支持向量機(jī)是一種性能強(qiáng)大的文本數(shù)據(jù)分析技術(shù)，其可以解決樣本數(shù)量較少、非線性或高維模式數(shù)據(jù)分析的問題，比如推廣到函數(shù)擬合的其他類型數(shù)據(jù)分析問題中，可以更好地分析數(shù)據(jù)、識別模式，用于分類和回歸分析。K均值（K-means）算法是一種基于距離的聚類算法，其可以把距離作為相似性評價和度量指標(biāo)，采用無監(jiān)督學(xué)習(xí)模式，通常兩個文本數(shù)據(jù)對象的距離越近，這兩個文本數(shù)據(jù)對象的相似性就會越高，不需要指定數(shù)據(jù)的類別標(biāo)簽就可以獲取文本內(nèi)部結(jié)構(gòu)，將文本數(shù)據(jù)匯聚在一起，實現(xiàn)數(shù)據(jù)解釋。

3 一種基于信息論的文本數(shù)據(jù)挖掘算法設(shè)計

在信息論中，熵是最基本的概念之一，熵可以用來度量隨機(jī)變量中的各種不確定性，服從p（x）分布的離散隨機(jī)變量X的熵H（X）的計算過程如公式1所示。

（1）

互信息可以描述任意兩個概率分布之間的信息量，假設(shè)給定了任意兩個隨機(jī)變量（X，Y）服從概率分布p（x，y），同時變量X的邊緣概率分布p（x）=∑Y p（x，y），變量Y的邊緣概率分布p（y）=∑X p（x，y），則隨機(jī)變量X和隨機(jī)變量Y之間包含的互信息如公式2所示。

（2）

其中，如果隨機(jī)變量X和隨機(jī)變量Y之間是相互獨立的，則兩個隨機(jī)變量之間的互信息I（X；Y）=0。

在使用文本數(shù)據(jù)挖掘算法的過程中，可以使用變量X描述文本數(shù)據(jù)對象集合，x可以具體指代某一篇文檔；使用變量Y描述單詞特征變量集合，y可以具體指代某一篇文檔的單詞特征。基于互信息的文本信息處理算法從X和Y兩個方向開始聚類，詳細(xì)描述如下：

從X方向挖掘文本數(shù)據(jù)過程中，可以將Y作為相關(guān)信息；從Y方向挖掘特征數(shù)據(jù)過程中，可以將X作為相關(guān)信息；X和Y在聚類過程中都是動態(tài)地減少，如果將所有的文本數(shù)據(jù)劃分為多層聚類模式，就可以更加準(zhǔn)確地挖掘數(shù)據(jù)內(nèi)容，實現(xiàn)對數(shù)據(jù)的操作和處理。具體地，為了能夠度量文本數(shù)據(jù)挖掘的內(nèi)容，可以把互信息作為信息保存的量進(jìn)行設(shè)置，如果互信息損失達(dá)到閾值，則可以停止算法執(zhí)行。

為了能夠驗證本文算法的有效性，采用Lang收集2000篇信息文檔進(jìn)行實驗，分為9個子數(shù)據(jù)集，每一個文本數(shù)據(jù)集包含了500篇文檔，Binary_1，2，3表示擁有兩個真實類別的文檔數(shù)據(jù)集；Multi5_1，2，3可以描述擁有五個真實類別文檔數(shù)據(jù)集；Multi10_1，2，3可以描述擁有十個真實類別文檔數(shù)據(jù)集。通常情況下，文本數(shù)據(jù)挖掘采用精確度作為評價算法運行結(jié)果的標(biāo)準(zhǔn)，算法運行結(jié)果精確度評價公示如公式3所示。

（3）

其中，t∈T，其可以描述相關(guān)的數(shù)據(jù)對象；c∈C，其可以描述相關(guān)的類別號或簇標(biāo)號；A1（c，T）可以描述相關(guān)的已經(jīng)正確分配到c中的文檔或元組的數(shù)量；A2（c，T）可以描述相關(guān)的算法不正確的分配到c中的文檔或元組的數(shù)量；A3（c，T）可以描述相關(guān)的不正確的沒有分配到c中的文檔或元組的數(shù)量。

4 結(jié)束語

實驗結(jié)果顯示，本文提出的基于信息論的文本數(shù)據(jù)挖掘算法可以精準(zhǔn)發(fā)現(xiàn)文檔類別，文本數(shù)據(jù)挖掘精確度達(dá)到了96.7%，能夠根據(jù)用戶的輸入請求推薦更加準(zhǔn)確地挖掘結(jié)果，可以為百度搜索、搜狗、騰訊、京東等網(wǎng)站的搜索引擎提供服務(wù)，具有重要的作用和意義。

參考文獻(xiàn)

[1]黃蓉.基于聚類分析的數(shù)據(jù)挖掘方法研究[J].山東農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2017，48（01）.

[2]張軍，劉文杰.一種新的基于鄰居樣本分布特征的異常值檢測算法研究[J].科技通報，2017（01）：86-88.

[3]尹治華，張大鵬，譚明，等.一種改進(jìn)的基于FP-Tree的高效挖掘最大頻繁項目集算法[J].濟(jì)南大學(xué)學(xué)報：自然科學(xué)版，2017，31（02）.

作者單位

云南科技信息職業(yè)學(xué)院 云南省昆明市 650224