數(shù)據(jù)挖掘中的文本挖掘

1、,,數(shù)據(jù)挖掘中的文本挖掘,張聰,,目錄Contents,,,,,一,三,二,四,結(jié)語(yǔ),文本挖掘過(guò)程,文本挖掘的主要研究方向,關(guān)于數(shù)據(jù)挖掘和文本挖掘,一,,,數(shù)據(jù)挖掘與文本挖掘,Data Mining and Text Mining,數(shù)據(jù)挖掘一般是指從大量的數(shù)據(jù)中自動(dòng)搜索隱藏于其中的有著特殊關(guān)系性（屬于Association rule learning）的信息的過(guò)程。數(shù)據(jù)挖掘通常與計(jì)算機(jī)科學(xué)有關(guān)，并通過(guò)統(tǒng)計(jì)、在線分析處理、情報(bào)檢索、機(jī)器

2、學(xué)習(xí)、專家系統(tǒng)（依靠過(guò)去的經(jīng)驗(yàn)法則）和模式識(shí)別等諸多方法來(lái)實(shí)現(xiàn)上述目標(biāo)。,文本挖掘一般指文本處理過(guò)程中產(chǎn)生高質(zhì)量的信息，其主要處理過(guò)程是對(duì)大量文檔集合的內(nèi)容進(jìn)行預(yù)處理、特征提取、結(jié)構(gòu)分析、文本摘要、文本分類(lèi)、文本聚類(lèi)、關(guān)聯(lián)分析等操作。高質(zhì)量的信息通常通過(guò)分類(lèi)和預(yù)測(cè)來(lái)產(chǎn)生，如模式識(shí)別。,文本挖掘的分類(lèi),二,,,文本挖掘的主要研究方向,Main Research Direction of Text Mining,文本檢索,文本分類(lèi),文本聚類(lèi)

3、,網(wǎng)絡(luò)瀏覽,,,,,文檔總結(jié),,網(wǎng)絡(luò)瀏覽,,文本挖掘技術(shù)可以通過(guò)分析用戶的網(wǎng)絡(luò)行為等 ，幫助用戶更好地尋找有用信息,,一個(gè)典型的例子是 CMU的WebWatcher 。這是一個(gè)在線用戶向?qū)В?可以根據(jù)用戶的實(shí)際點(diǎn)擊行為分析用戶的興趣 ， 預(yù)測(cè)用戶將要選擇的鏈接 ， 從而為用戶進(jìn)行導(dǎo)航 。,文本檢索,,文本檢索主要研究對(duì)整個(gè)文檔文本信息的表示 、存諸、組織和訪問(wèn) ，即根據(jù)用戶的檢索要求， 從數(shù)據(jù)庫(kù)中檢索出相關(guān)的信息資料。,,主要檢索方法有

4、三種 ：布爾模型是簡(jiǎn)單常用的嚴(yán)格匹配模型；概率模型利用詞條間和詞條與文檔間的概率相關(guān)性進(jìn)行信息檢索；向量空間模型在于將文檔信息的匹配問(wèn)題轉(zhuǎn)化為向量空間中的矢量匹配問(wèn)題處理。,文本分類(lèi),,文本分類(lèi)是指按照預(yù)先定義的主題類(lèi)別， 為文檔集合中的每個(gè)文檔確定一個(gè)類(lèi)別。這樣用戶不僅可以方便地閱讀文檔， 而且可以通過(guò)限制搜索范圍來(lái)使文檔查找更容易 。,,近年來(lái)涌現(xiàn)出了大量的適合于不同應(yīng)用的分類(lèi)算法，如：基于歸納學(xué)習(xí)的決策樹(shù)、基于向量空間模型的 K-

5、最近鄰、基于概率模型的 Bayes 分類(lèi)器 、神經(jīng)網(wǎng)絡(luò) 、基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)方法等,文本聚類(lèi),,與文本分類(lèi)相對(duì)應(yīng)的是文本自動(dòng)聚類(lèi) 。文本聚類(lèi)是一種典型的無(wú)監(jiān)督機(jī)器學(xué)習(xí)問(wèn)題 。,,它與文本分類(lèi)的不同之處在于， 聚類(lèi)沒(méi)有預(yù)先定義好的主題類(lèi)別， 它的目標(biāo)是將文檔集合分成若干個(gè)簇 ，要求同一簇內(nèi)文檔內(nèi)容的相似度盡可能大， 而不同簇間的相似度盡可能小 。,文檔總結(jié),,文檔總結(jié)也是 Web 文本挖掘的一個(gè)重要內(nèi)容 。它是指從文檔中抽取關(guān)鍵

6、信息 ，用簡(jiǎn)潔的形式 ，對(duì)文檔內(nèi)容進(jìn)行摘要和解釋， 這樣用戶不需閱讀全文就可了解文檔或文檔集合的總體內(nèi)容 。,,搜索引擎向用戶返回查詢結(jié)果時(shí)， 通常需要給出文檔摘要 ，這就是文檔總結(jié)的一個(gè)實(shí)例 。,三,,,文本挖掘過(guò)程,Process of Text Mining,文本挖掘過(guò)程圖示,文本預(yù)處理,,文本預(yù)處理是文本挖掘的第一個(gè)步驟， 對(duì)文本挖掘效果的影響至關(guān)重要， 文本的預(yù)處理過(guò)程可能占據(jù)整個(gè)系統(tǒng)的 80 %的工作量。,,與傳統(tǒng)的數(shù)據(jù)庫(kù)中

7、的結(jié)構(gòu)化數(shù)據(jù)相比，文檔具有有限的結(jié)構(gòu)，或者根本就沒(méi)有結(jié)構(gòu)即使具有一些結(jié)構(gòu)，也還是著重于格式，而非文檔的內(nèi)容，且沒(méi)有統(tǒng)一的結(jié)構(gòu)，因此需要對(duì)這些文本數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘中相應(yīng)的標(biāo)準(zhǔn)化預(yù)處理；,,此外文檔的內(nèi)容是使用自然語(yǔ)言描述，計(jì)算機(jī)難以直接處理其語(yǔ)義，所以還需要進(jìn)行文本數(shù)據(jù)的信息預(yù)處理。信息預(yù)處理的主要目的是抽取代表文本特征的元數(shù)據(jù)（特征項(xiàng)），這些特征可以用結(jié)構(gòu)化的形式保存，作為文檔的中間表示形式。,文本的表示,,基于自然語(yǔ)言處理和統(tǒng)計(jì)數(shù)據(jù)分

8、析的文本挖掘中的文本特征表示指的是對(duì)從文本中抽取出的元數(shù)據(jù)（特征項(xiàng)）進(jìn)行量化，以結(jié)構(gòu)化形式描述文檔信息。這些特征項(xiàng)作為文檔的中間表示形式，在信息挖掘時(shí)用以評(píng)價(jià)未知文檔與用戶目標(biāo)的吻合程度，這一步又叫做目標(biāo)表示。,,文本表示的模型常用的有：布爾邏輯模型， 向量空間模型潛在語(yǔ)義索引和概率模型。其中VSM是使用最多的方法也是效率最好的方法。VSM的基本思想是使用詞袋法表示文本，這種表示法的一個(gè)關(guān)鍵假設(shè)，就是文章中詞條出現(xiàn)的先后次序是無(wú)關(guān)緊要的

9、，每個(gè)特征詞對(duì)應(yīng)特征空間的一維，將文本表示成歐氏空間的一個(gè)向量。,特征集約減,,通常，特征子集的提取是通過(guò)構(gòu)造一個(gè)特征評(píng)估函數(shù)，對(duì)特征集中的每個(gè)特征進(jìn)行評(píng)估，每個(gè)特征獲得一個(gè)評(píng)估分?jǐn)?shù)，然后對(duì)所有的特征按照評(píng)估分大小進(jìn)行排序，選取預(yù)定數(shù)目的最佳特征作為特征子集。,,特征集約減的目的有三個(gè)：1）為了提高程序效率，提高運(yùn)行速度；2）數(shù)萬(wàn)維的特征對(duì)文本分類(lèi)的意義是不同的，一些通用的、各個(gè)類(lèi)別都普遍存在的特征對(duì)分類(lèi)的貢獻(xiàn)小，在某個(gè)特定的類(lèi)中出現(xiàn)的

10、比重大而在其他類(lèi)中出現(xiàn)比重小的特征對(duì)文本的貢獻(xiàn)大 。3）防止過(guò)擬合（Overfit）。對(duì)每一類(lèi)，去除對(duì)分類(lèi)貢獻(xiàn)小的特征，篩選出針對(duì)反映該類(lèi)的特征集合。,,一個(gè)有效的特征集直觀上說(shuō)必須具備以下兩個(gè)特點(diǎn)： 1）完全性：確實(shí)體現(xiàn)目標(biāo)文檔的內(nèi)容； 2）區(qū)分性：能將目標(biāo)文檔同其他文檔區(qū)分開(kāi)來(lái)。,文本挖掘方法,,常用的文本分類(lèi)方法有基于概率模型的方法，如樸素Bayes方法，隱馬爾可夫模型等；基于關(guān)系學(xué)習(xí)的決策樹(shù)方法等；基于統(tǒng)計(jì)學(xué)習(xí)的支持向量機(jī)方

11、法等；基于向量空間模型的K-近鄰分類(lèi)法和神經(jīng)網(wǎng)絡(luò)方法等。,,常用的聚類(lèi)劃分方法有K-平均算法和K-中心算法。K-平均算法是劃分方法中基于質(zhì)心技術(shù)的一種算法，以K為參數(shù)，把n個(gè)對(duì)象分為K個(gè)簇，以使簇內(nèi)具有較高的相似度，而簇間的相似度較低，相似度的計(jì)算根據(jù)一個(gè)簇內(nèi)對(duì)象的平均值（質(zhì)心）來(lái)計(jì)算。K-平均算法對(duì)于孤立點(diǎn)敏感，為消除這種敏感性不采用簇中對(duì)象平均值作為參考點(diǎn)，而選用簇中位置最中心的對(duì)象為參考點(diǎn)，這就是K-中心算法。,四,,,結(jié)語(yǔ),Su

12、mmary,文本挖掘和數(shù)據(jù)挖掘在目的上是一致的，都是試圖從大量的信息中抽取知識(shí)。數(shù)據(jù)挖掘是從原始數(shù)據(jù)中抽取，而文本挖掘則是從文本材料中抽取。文本挖掘也就可以看成一種數(shù)據(jù)挖掘，但是數(shù)據(jù)挖掘傾向于非常精確和結(jié)構(gòu)化，多數(shù)研究只考慮從數(shù)據(jù)庫(kù)中抽取知識(shí)， 這正是許多數(shù)據(jù)挖掘技術(shù)并不能自如地應(yīng)用于文本挖掘領(lǐng)域的原因。,另外在對(duì)文本集進(jìn)行相關(guān)分析時(shí)，往往會(huì)損失文本中的大量信息，這種信息的遺漏，會(huì)影響到挖掘的效果，因此還要探索更高效的文本挖掘新方法。文