語(yǔ)義與統(tǒng)計(jì)相結(jié)合的中文微博相似度計(jì)算方法

摘要：文本相似度在自然語(yǔ)言處理領(lǐng)域中有著廣泛的應(yīng)用。基于語(yǔ)義的相似度計(jì)算方法能比較準(zhǔn)確地反映詞語(yǔ)之間的復(fù)雜關(guān)系，而基于統(tǒng)計(jì)的相似度計(jì)算方法能發(fā)掘詞語(yǔ)中潛在的相關(guān)性。微博文本具有稀疏性、實(shí)時(shí)性、不規(guī)范性等特點(diǎn)，文章在綜合兩者優(yōu)勢(shì)的基礎(chǔ)上，提出了一種語(yǔ)義和統(tǒng)計(jì)相結(jié)合的中文微博相似度計(jì)算方法。實(shí)驗(yàn)證明該方法在各項(xiàng)指標(biāo)上都優(yōu)于單一的相似度計(jì)算方法。

關(guān)鍵詞：相似度計(jì)算；語(yǔ)義；統(tǒng)計(jì)

中圖分類號(hào)：TP391.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）03-0231-02

文本相似度計(jì)算在文本分類、文本聚類、信息檢索等自然語(yǔ)言處理領(lǐng)域有著廣泛的應(yīng)用。相比詞語(yǔ)相似度計(jì)算，文本相似度計(jì)算不僅要識(shí)別句子結(jié)構(gòu)、語(yǔ)義關(guān)系，還要考慮語(yǔ)境問(wèn)題。針對(duì)這一問(wèn)題，目前許多研究是把文本相似度計(jì)算轉(zhuǎn)換為計(jì)算文本中詞語(yǔ)之間的相似度，它通常是通過(guò)抽取出文本中所有的名詞和動(dòng)詞，再計(jì)算它們之間的相似度。

目前，常用的文本相似性計(jì)算方法主要有基于語(yǔ)義的相似度計(jì)算方法和基于統(tǒng)計(jì)的相似度計(jì)算方法。基于語(yǔ)義的相似度計(jì)算方法能較準(zhǔn)確地反映出詞語(yǔ)之間的復(fù)雜關(guān)系，但它需要借助本體論，而本體論資源的是否完整又決定了這種計(jì)算方法的準(zhǔn)確性?；诮y(tǒng)計(jì)的相似度計(jì)算方法計(jì)算量大，且需要大規(guī)模的文本集，而文本集質(zhì)量的好壞又直接決定計(jì)算結(jié)果的優(yōu)劣。微博文本具有稀疏性、實(shí)時(shí)性、不規(guī)范性等特點(diǎn)，導(dǎo)致傳統(tǒng)的相似度計(jì)算方法都很難適用。因此，本文把基于語(yǔ)義和基于統(tǒng)計(jì)的計(jì)算方法兩者結(jié)合起來(lái)，提出一種組合相似度計(jì)算方法，即語(yǔ)義和統(tǒng)計(jì)相結(jié)合的相似度計(jì)算方法。

1 常見(jiàn)相似度計(jì)算方法

1.1 基于語(yǔ)義的文本相似度計(jì)算

基于語(yǔ)義的文本相似度計(jì)算常以本體論作為背景知識(shí)。目前常用的本體論主要有Framenet、Wordnet和Hownet（知網(wǎng)），而Hownet（知網(wǎng)）是最為著名的采用漢語(yǔ)描述的本體論。在知網(wǎng)中，用概念來(lái)對(duì)詞匯語(yǔ)義進(jìn)行描述，每個(gè)詞可以表達(dá)為幾個(gè)概念，而概念又由義原來(lái)描述。對(duì)于同義詞、近義詞不僅用來(lái)表述它的義原是確定的，而且義原的組合形式也是確定的。在計(jì)算詞匯語(yǔ)義相似度時(shí)，較多是采用劉群、李建素提出的基于《知網(wǎng)》的詞匯語(yǔ)義相似度計(jì)算公式，即，各符號(hào)代表詳見(jiàn)文獻(xiàn)[1]。

1.2 基于統(tǒng)計(jì)的文本相似度計(jì)算

基于統(tǒng)計(jì)的文本相似度計(jì)算方法中最常用的是基于向量空間模型的TF-IDF方法。向量空間模型是1975年Salton等人提出，它是被廣泛使用的模型之一。它把每一個(gè)文本表示成一個(gè)向量，向量的每一維表示文本的一個(gè)特征[2]，形式為：，其中，為特征項(xiàng)在文本中的權(quán)值，為特征集的大小[3]。計(jì)算特征項(xiàng)的權(quán)值使用TF-IDF公式，即，其中，表示特征項(xiàng)在文本中出現(xiàn)的次數(shù)，N表示全部文本數(shù)目，表示出現(xiàn)特征項(xiàng)的文本數(shù)?，F(xiàn)假設(shè)有兩個(gè)文本，，則與之間的相似度計(jì)算可用下面幾種常用的方法：

2 語(yǔ)義與統(tǒng)計(jì)相結(jié)合的中文微博相似度計(jì)算

本文綜合基于語(yǔ)義和基于統(tǒng)計(jì)兩種相似度計(jì)算的優(yōu)勢(shì)，提出了語(yǔ)義與統(tǒng)計(jì)相結(jié)合的中文微博相似度計(jì)算方法。下面詳細(xì)介紹其算法。

2.1 算法第一步，即計(jì)算基于語(yǔ)義的文本相似度

在計(jì)算微博文本的相似度時(shí)，必須對(duì)每條微博文本進(jìn)行預(yù)處理，如分詞、詞性過(guò)濾、停用詞過(guò)濾、詞頻統(tǒng)計(jì)。經(jīng)過(guò)預(yù)處理后，每條文本只剩下高頻的、有實(shí)際意義的動(dòng)詞和名詞。本文考慮到不同詞性的詞語(yǔ)在語(yǔ)義上其相似度比較低，所以在進(jìn)行語(yǔ)義相似度計(jì)算時(shí)先進(jìn)行詞性分類表示，即把文本向量中詞性為名詞的歸為一類，詞性為動(dòng)詞的歸為另一類。假設(shè)微博文本用向量表示為={}，如果是名詞，是動(dòng)詞，則詞性分類后該文本向量表示為={}，再分別計(jì)算文本中名詞集合和動(dòng)詞集合的相似度，最后加權(quán)平均，得到的就是兩條微博文本的語(yǔ)義相似度。

3 實(shí)驗(yàn)結(jié)果與分析

在驗(yàn)證算法的有效性之前需要先確定它的加權(quán)系數(shù)，即和的取值。本文抓取新浪微博數(shù)據(jù)7124條，利用SinglePass算法分別計(jì)算和9種不同取值的F值。實(shí)驗(yàn)結(jié)果證明，為0.4，為0.6時(shí)，F(xiàn)值最大，因此，本文提出的組合相似度計(jì)算公式中取0.4，取0.6[6]。

為了驗(yàn)證組合相似度算法的有效性，本文借助SinglePass算法分別比較語(yǔ)義相似度、統(tǒng)計(jì)相似度和組合相似度三種不同計(jì)算策略的性能，結(jié)果如圖1所示。

通過(guò)圖1可以看出，相比語(yǔ)義相似度和統(tǒng)計(jì)相似度，采用組合相似度計(jì)算策略在各項(xiàng)性能指標(biāo)上都比較好，這說(shuō)明引入詞匯語(yǔ)義和相關(guān)度的相似度策略能夠更好地識(shí)別相關(guān)的主題。

參考文獻(xiàn)

[1]劉群，李素建.基于《知網(wǎng)》的詞匯語(yǔ)義相似度計(jì)算[C]//第三界漢語(yǔ)詞匯語(yǔ)義學(xué)研討會(huì).臺(tái)北，2002：59-76.

[2]Salton G，Wong A，Yang C S. A Vector Space Model for Automatic Indexing[J]. Communication of the ACM， 1975，18（11）：613-620.

[3]鄭慶華，劉均，田鋒，孫霞.Web知識(shí)挖掘：理論、方法與應(yīng)用[M].北京：科學(xué)出版社，2010.

[4]趙應(yīng)秋，羅軍，張君艷.基于知網(wǎng)的詞語(yǔ)語(yǔ)義相關(guān)度計(jì)算[J].信息技術(shù)，2010（3）：90-93.

[5]Peat H J，Willet P.The limitations of term cooccurrence data for query expansion in document retrieval systems.Journal of American Society for Information Science，1991，42（5）：378-383.

[6]李楚貞.中文微博主題層次識(shí)別方法研究[D].廣東技術(shù)師范學(xué)院，2014.