文本挖掘综述课件剖析

《文本挖掘综述课件剖析》由会员分享，可在线阅读，更多相关《文本挖掘综述课件剖析（62页珍藏版）》请在金锄头文库上搜索。

1、文本挖掘,主要内容,文本挖掘的背景,数据挖掘大部分研究主要针对结构化数据，如关系的、事务的和数据仓库数据。 现实中大部分数据存储在文本数据库中，如新闻文章、研究论文、书籍、WEB页面等。 存放在文本数据库中的数据是半结构化数据，文档中可能包含结构化字段，如标题、作者、出版社、出版日期 等，也包含大量非结构化数据，如摘要和内容等。,1、文本挖掘概述,1、文本挖掘概述,传统的自然语言理解是对文本进行较低层次的理解，主要进行基于词、语法和语义信息的分析，并通过词在句子中出现的次序发现有意义的信息。 文本高层次理解的对象可以是仅包含简单句子的单个文本也可以是多个文本组成的文本集，但是现有的技术手段虽然

2、基本上解决了单个句子的分析问题，但是还很难覆盖所有的语言现象，特别是对整个段落或篇章的理解还无从下手。 将数据挖掘的成果用于分析以自然语言描述的文本，这种方法被称为文本挖掘(Text Mining)或文本知识发现(Knowledge Discovery in Text).,文本检索应用实例,文本检索过程,文档检索基本步骤,文本挖掘与数据挖掘的区别： 文本挖掘：文档本身是半结构化的或非结构化的，无确定形式并且缺乏机器可理解的语义； 数据挖掘：其对象以数据库中的结构化数据为主，并利用关系表等存储结构来发现知识 因此，数据挖掘的技术不适用于文本挖掘，或至少需要预处理。,文本挖掘与数据挖掘的区别,文本

3、挖掘概念,文本挖掘旨在通过识别和检索令人感兴趣的模式，进而从数据源中抽取有用的信息。文本挖掘的数据源是文本集合，令人感兴趣的模式不是从形式化的数据库记录里发现，而是从非结构化的数据中发现。,文本挖掘的任务,文本挖掘预处理 原始的非结构化数据源结构化表示 文本模式挖掘 文本挖掘系统核心功能是分析文本集合中各个文本之间共同出现的模式 例如：蛋白质P1和酶E1存在联系，在其他文章中说酶E1和酶E2功能相似，还有文章把酶E2和蛋白质P2联系起来，我们可以推断出P1和P2存在联系 挖掘结果可视化 也就是文本挖掘系统的表示层，简称浏览,文本挖掘处理过程,文本挖掘的一般处理过程,2、文本数据分析和信息检索,

4、信息检索泛指用户从包含各种信息的文档集中查找所需要的信息或知识的过程，人们借助某种检索工具，运用某种特定的检索策略从待检索的信息源中查找出自己需要的信息。 1. 文本检索的基本度量 2. 文本检索方法 3. 文本索引技术 4. 查询处理技术,2、文本数据分析和信息检索,信息检索研究的是大量基于文本的文档信息的组织和检索，如联机图书馆系统、联机文档管理系统和WEB搜索引擎。数据库系统关注结构化数据段查询和事务处理。 信息检索研究的典型问题是根据用户查询（描述所需信息的关键词），在文档中定位相关文档。,2.1 文本检索的基本度量,查准率（Precision）是检索到的文档中的相关文档占全部检索到的

5、文档的百分比，它所衡量的是检索系统的准确性 查全率（Recall）是被检索出的文档中的相关文档占全部相关文档的百分比，它所衡量的是检索系统的全面性,信息检索的度量方式,relevant：与某查询相关的文档的集合。 retrieved：系统检索到的文档的集合。 relevant retrieved：既相关又被检索到的实际文档的集合。 查准率(precision)：既相关又被检索到的实际文档与检索到的文档的百分比。 查全率(recall)：既相关又被检索到的实际文档与查询相关的文档的百分比。,模型质量的评价实例,relevant =A,B,C,D,E,F,G,H,I,J = 10 retrieve

6、d = B, D, F,W,Y = 5 relevant retrieved =B,D,F = 3 查准率：precision = 3/5 = 60% 查全率：recall = 3/10 = 30%,W,Y 被检索到的文档,2.2 文档检索方法,文档选择 查询是对选择相关文档指定约束条件，典型方法是布尔检索模型。 文档秩评定 查询是按相关的次序评定所有文档的秩。即将查询中的关键词与文档中的关键词进行匹配，根据匹配查询的程度给每个文档打分。,基于模型的检索,布尔模型：将用户提问表示成布尔表达式，查询式是由用户提问和操作符and、or、not组成的表达式 向量空间模型：有一特征表示集，特征通常为字

7、或词。用户提问与文本表示成高维空间向量，其中每一维为一特征。每个特征用权值表示。用户提问向量的权值由用户制定 概率模型。富有代表性的模型是二值独立检索模型(BIR)。BIR模型根据用户的查询Q，可以将所有文档d分为两类，一类与查询相关(集合R)，另一类与查询不相关(集合N, 是R 的补集),文本符号化,符号化：为表示文档而标识关键词。 停用词表：看上去“不相关的”词的集合。例如：a, the, of , for, with等都是停用词。 词根：文本检索系统需要识别互为句法变体的一组词，并且只收集每组词的公共词根。例如：一组词drug， drugged，和drugs具有公共词根drug，可以看做

8、同一个词的不同出现。,文档建模,向量空间模型：从d个文档的集合和t个词的集合开始，可以把每个文档用t维空间Rt的向量v建模。 词频：指词t在文档d中出现的次数，即freq(d，t). (加权的)词频矩阵TF(d,t)：用来度量词t与给定文档d之间的关联度。 逆文档频率IDF：表示词t的缩放因子或重要性。如果词t出现在许多文档中，由于其区分能力减弱，所以它的重要性也降低。如果|dt|d|，词t将有很大的IDF缩放因子，反之亦然。,文档建模,词频矩阵 行对应关键词t，列对应文档d向量 将每一个文档视为空间向量v 向量值反映单词t与文档d的关联度,向量空间模型,维度权值计算方法 目前广泛采用TF/I

9、DF权值计算方法， TF-IDF的主要思想是，如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。 TF词频(Term Frequency)指的是某一个给定的词语在该文件中出现的次数。 IDF逆文档频率(Inverse Document Frequency)的主要思想是：如果包含词条的文档越少，IDF越大，则说明词条具有很好的类别区分能力。 在完整的向量空间模型中，将TF和IDF组合在一起，形成TF-IDF度量：TF-IDF（d,t）= TF(d,t)*IDF(t),基于相似性的检索,根据一个文档集合d和一个项集合t，

10、可以将每个文档表示为在t维空间R中的一个文档特征向量v。 向量v中第j个数值就是相应文档中第j个项的量度。 计算两个文档相似性可以使用上面的公式,余弦计算法（cosine measure）,文档间相似性计算举例,文档向量化,查询：相关度,文档间相似度（余弦定理）,2.3 文本索引技术,倒排索引（inverted index） 一种索引结构，包含两个哈希表索引表或两个B+树索引表,找出与给定词集相关的所有文档 找出与指定文档相关的所有词 易实现，但不能处理同义词和多义词问题，posting_list非常长，存储开销大,倒排表,倒排表例子,倒排表存储结构,特征文件（signature file）,

11、定义：是一个存储数据库中每一个文档的特征记录的文件 方法：每一个特征对应一个固定长度的位串，一个比特位对应一个词汇，若某一位对应的词出现在文档中，则该位置1，否则置0。 S1 S2 按位操作进行匹配，确定文档的相似形 可以多词对应一个比特位，来减少位串的长度，但增加搜素开销，存在多对一映射的缺点。,2.4 查询处理技术,创建倒排索引，查找包含关键词的文档，检索系统可以迅速回答关键词查询。 相关反馈：在获得相关文档的实例后，系统可以从实例学习提高检索的性能。 伪反馈（盲目反馈）：当没有这些相关实例时，系统可以假设在初始的检索结果中的前几个检索的文档是相关的，并提取更多相关的关键词来扩展查询。,关

12、键词检索存在的问题,同义词问题：具有相同或相近含义的两个词具有很不相同的外在形式。例如：用户的查询使用词“automobile”，而相关文档用的不是“automobile”，而是“vehicle”。 多义词问题：相同的关键词，如“mining”或“java”在不同的上下文中可能意味着不同的事物。,3.文本的维度规约,对于任何一个非平凡的文档数据库，词的数目T和文档数目D通常都很大，如此高的维度将导致低效的计算，因为结果频度表大小为T*D。 高维还会导致非常稀疏的向量，增加监测和探查词之间联系的难度。 维度归约使用数据编码或变换，以便得到原数据的归约或“压缩”表示。如果原数据可以由压缩数据重新构

13、造而不丢失任何信息，则该数据归约是无损的。如果我们只能重新构造原数据的近似表示，则该数据归约是有损的。,3.1潜在语义索引（LSI）,潜在语义索引（LSI）最流行的文档维度归约算法，基于SVD（奇异值分解） LSI基本思想:提取最具代表性的特征，同时最小化同构错误。 SVD分解词-文档矩阵：X=UV 是X的奇异值，U、V为左右奇异向量 LSI目标函数： 约束为,奇异值分解（Singular Value Decomposition）是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵对角化的推广。 奇异值分解在某些方面与对称矩阵或Hermite矩阵(共轭矩阵)基于特征向量的对角化类似。然而这两种

14、矩阵分解尽管有其相关性，但还是有明显的不同。对称阵特征向量分解的基础是谱分析，而奇异值分解则是谱分析理论在任意矩阵上的推广。,潜在语义标引（latent semantic indexing）方法,潜在语义标引方法基本步骤： 1.建立词频矩阵，frequency matrix 2.计算frequency matrix的奇异值分解 分解frequency matrix成3个矩阵U，S，V。U和V是正交矩阵（UTU=I），S是奇异值的对角矩阵（KK） 3.对于每一个文档 d，用排除了SVD中消除后的词的新的向量替换原有的向量 4.保存所有向量集合，用高级多维索引技术为其创建索引 5.用转换后的文档向

15、量进行相似度计算,3.2局部保留标引（LPI）,局部保留标引（LPI）：提取最有判别力的特征 LPI基本思想：保留局部信息（相邻文档可能涉及相邻主题，LPI的映射能够使设计相同语义的文档尽可能靠近） LPI目标函数： 约束为,3.3概率潜在语义标引（PLSI）,概率潜在语义标引（PLSI）：类似于LSI，通过混合概率模型实现维度归约。 PLSI基本思想：文档中有k个潜在的公共主题，使用文档的混合权重，得到k个新的语义维。,4.文本挖掘方法,文本挖掘功能层次,文本挖掘功能层次,（1）关键词检索 关键词建立倒排文件索引，与传统的信息检索使用的技术类似。 （2）相似检索 找到相似内容的文本。 （3）

16、词语关联分析 聚焦在词语（包括关键词）之间的关联信息分析上。 （4）文本聚类和文本分类 实现文本的聚类和分类。 （5）自然语言处理 揭示自然语言处理技术的语义，进行文本语义挖掘。,4.1关联分析挖掘,在文本数据库中，每一文本被视为一个事务，文本中的关键词组可视为事务中的一组事务项。即文本数据库可表示为： 文本编号， 关键词集 文本数据库中关键词关联挖掘的问题就变成事务数据库中事务项的关联挖掘。 关联分析挖掘可以用于找出词或关键词间的关联。,4.1关联分析挖掘,4.1关联分析挖掘,关联挖掘有助于找出符合关联，即领域相关的术语或短语,4.1关联分析挖掘,基于关键字的关联分析,基于关键字关联分析就是首先收集频繁一起出现的项或者关键字的集合，然后发现其中所存在的关联性 关联分析对文本数据库进行预处理，生成关键字向量，根据关键字查询向量与文档向量之间的相关度比较结果输出文本结果，然后调用关联挖掘算法,4.2文档分类分析,4.2文档分类分析,自动文档分类是指利用计算机将一篇文章自动地分派到一个或多个预定义的类别中