基于matlab的文本處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

費(fèi)揚(yáng) 杜慶治

摘要：為了進(jìn)行關(guān)鍵詞的文本查重和文本檢索，設(shè)計(jì)出基于matlab的文本處理系統(tǒng)。首先，研究文本處理系統(tǒng)的相關(guān)原理及技術(shù)；其次，設(shè)計(jì)系統(tǒng)的總體框架，細(xì)化功能；最后，采用matlab語(yǔ)言來設(shè)計(jì)系統(tǒng)，利用多個(gè)TXT文本構(gòu)建語(yǔ)料數(shù)據(jù)庫(kù)，設(shè)計(jì)出基于matlab的文本處理系統(tǒng)應(yīng)用程序。測(cè)試表明：該系統(tǒng)能有效地實(shí)現(xiàn)文本查重和文本檢索。

關(guān)鍵詞：MATLAB；文本處理；文本查重；文本檢索；TF-IDF

中圖分類號(hào)：TP319 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1003-6970.2017.08.044

本文著錄格式：費(fèi)揚(yáng)，杜慶治·基于madab的文本處理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[幾軟件，2017，38（8）：226-229

引言

隨著計(jì)算機(jī)及網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，信息技術(shù)進(jìn)入了高速發(fā)展時(shí)期，信息以電子文檔形式呈現(xiàn)在大眾面前越來越普遍，而電子文檔中文本文檔占據(jù)重要位置。要想實(shí)現(xiàn)在海量的文檔中如何快速有效地進(jìn)行文本信息的查重與檢索，需設(shè)計(jì)出一個(gè)針對(duì)TXT文檔格式的多文檔的文本處理系統(tǒng)。信息檢索的核心技術(shù)是全文檢索技術(shù)，全文檢索是以各種計(jì)算機(jī)數(shù)據(jù)諸如文字、聲音、圖像等為處理對(duì)象，提供按照數(shù)據(jù)資料的內(nèi)容而不是外在特征來實(shí)現(xiàn)的信息檢索手段。文本處理系統(tǒng)里的全文檢索是現(xiàn)代信息檢索技術(shù)的一個(gè)重要的分支，它極大地提高了從大量紛繁復(fù)雜的數(shù)據(jù)中查找特定信息的效率。文本處理系統(tǒng)能實(shí)現(xiàn)對(duì)指定目錄下的目錄或文件的遍歷

和檢索。完成多文檔文本處理系統(tǒng)的設(shè)計(jì)與開發(fā)，為用戶提供一個(gè)快捷、安全的信息檢索渠道。利用matlab設(shè)計(jì)系統(tǒng)操作簡(jiǎn)單實(shí)用，比其他編程語(yǔ)言更加容易實(shí)現(xiàn)數(shù)據(jù)分析。

1 文本處理原理及相關(guān)技術(shù)

1.1 文本處理

文本處理系統(tǒng)主要包含文本查重和文本處理兩個(gè)部分。文本查重顧名思義就是查找關(guān)鍵詞在文本中的重復(fù)率。文本檢索（Text Retrieval）是信息檢索的一部分，是指根據(jù)文本內(nèi)容，如關(guān)鍵字、語(yǔ)意等對(duì)文本集合進(jìn)行檢索、分類、過濾等。當(dāng)知道某個(gè)關(guān)鍵詞在文本中重復(fù)率較高時(shí)，可以從關(guān)鍵詞可以粗略的判斷出該文章的類型，對(duì)某關(guān)鍵詞進(jìn)行文本檢索就可以知道關(guān)鍵詞在語(yǔ)料庫(kù)中所占權(quán)重，將包含關(guān)鍵字的文檔挑出來作為檢索結(jié)果呈現(xiàn)給用戶[34]。

1.2 TF-IDF

TF-IDF（term frequency-inverse document frequency）是一種用于信息檢索與數(shù)據(jù)挖掘的常用加權(quán)技術(shù)，是一種統(tǒng)計(jì)方法，用以評(píng)估一字詞對(duì)于一個(gè)文件集或一個(gè)語(yǔ)料庫(kù)中的其中一份文件的重要程度。字詞的重要性隨著它在文件中出現(xiàn)的次數(shù)成正比增加，但同時(shí)會(huì)隨著它在語(yǔ)料庫(kù)中出現(xiàn)的頻率成反比下降。

TF（Term Frequency，詞頻）是指某個(gè)關(guān)鍵詞在特定文件中出現(xiàn)的頻率。一般情況下，同一個(gè)關(guān)鍵詞在長(zhǎng)文件里會(huì)比短文件的詞數(shù)要高，關(guān)鍵詞卻與文件大小無關(guān)，為了防止偏向長(zhǎng)文件情況，需要對(duì)詞數(shù)進(jìn)行處理，詞頻就是對(duì)詞數(shù)的歸一化，[6_7]計(jì)算公式如式（1）所示。

關(guān)鍵詞a在某特定文件中出現(xiàn)的次數(shù) （n某特定文件里所有字詞的數(shù)目IDF（Inverse Document Frequency，逆向文件頻率）是一個(gè)詞語(yǔ)普遍重要性的度量，打個(gè)比方說，如果包含某關(guān)鍵詞的文檔很少，IDF很大，則說明該關(guān)鍵詞能很好地將該類文檔區(qū)分開來，具有很好的類別區(qū)分能力。某一特定詞語(yǔ)的IDF，可以由總文件數(shù)目除以包含該詞語(yǔ)之文件的數(shù)目，再將得到的商取對(duì)數(shù)得到。計(jì)算公式如式（2）所示。

包含關(guān)鍵詞a的文檔數(shù)

2 系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)

2.1 系統(tǒng)總體功能設(shè)計(jì)

本系統(tǒng)主要是利用matlab語(yǔ)言來編程實(shí)現(xiàn)，最后生成EXE（executable program，EXEFile）可執(zhí)行程序更加方便使用。開發(fā)系統(tǒng)時(shí)充分考慮到系統(tǒng)的開發(fā)背景和系統(tǒng)目標(biāo)等信息，使系統(tǒng)設(shè)計(jì)的更加合理。本系統(tǒng)為了更好地對(duì)文本文檔進(jìn)行關(guān)鍵詞的查重和權(quán)重檢索，將系統(tǒng)分為兩個(gè)部分：一個(gè)是文本查重，一個(gè)是文本檢索。系統(tǒng)的總體設(shè)計(jì)框圖如圖1所示。通過該應(yīng)用程序能很好地實(shí)現(xiàn)信息檢索，操作簡(jiǎn)單實(shí)用，而且可以在任意電腦運(yùn)行。

2.2 系統(tǒng)詳細(xì)設(shè)計(jì)和實(shí)現(xiàn)

2.2.1 系統(tǒng)的主要功能

本系統(tǒng)主要包括兩個(gè)部分：一個(gè)是文本查重，一個(gè)是文本檢索。文本查重主要是用來統(tǒng)計(jì)關(guān)鍵詞在文章中出現(xiàn)的重復(fù)率，文本檢索主要是用來統(tǒng)計(jì)關(guān)鍵詞在語(yǔ)料庫(kù)中出現(xiàn)的情況及TF-IDF檢索情況。

2.2.2 系統(tǒng)模塊的設(shè)計(jì)

為了直觀的看到文本查重和文本檢索信息，將兩個(gè)模塊放在同一界面來進(jìn)行設(shè)計(jì)，文本處理界面如圖2所示。在設(shè)計(jì)系統(tǒng)時(shí)，除了要完全實(shí)現(xiàn)該系統(tǒng)的功肯巨外，要考慮到用戶使用的便利性，將MATLAB程序輸出成EXE應(yīng)用程序，同時(shí)將運(yùn)行環(huán)境嵌套到里面。軟件的外觀框架結(jié)構(gòu)的設(shè)計(jì)是基礎(chǔ)工作，組成模塊是各具應(yīng)用服務(wù)功能和結(jié)構(gòu)特點(diǎn)的，兼容性和合理性是設(shè)計(jì)模塊的基礎(chǔ)理論依據(jù)。

2.2.3 系統(tǒng)功能的實(shí)現(xiàn)

由系統(tǒng)的設(shè)計(jì)可以知道，系統(tǒng)主要功能模塊涉及兩個(gè)部分：文本查重及文本檢索。因各模塊設(shè)計(jì)不同，需要根據(jù)相應(yīng)原理來實(shí)現(xiàn)其功能。

（1）文本查重模塊的實(shí)現(xiàn)文本查重首先需要讀取所需查重的文本，然后設(shè)定需要查重的關(guān)鍵詞，然后點(diǎn)擊相應(yīng)的功能按鈕，進(jìn)行文本關(guān)鍵詞信息的統(tǒng)計(jì)和查重。文本查重模塊利用靜態(tài)文本來顯示文字，這些文字主要用來提示使用者下面進(jìn)行什么操作。利用可編輯文本、按鈕來實(shí)現(xiàn)統(tǒng)計(jì)和查重等操作。文本信息統(tǒng)計(jì)主要是獲取關(guān)鍵詞在文本中出現(xiàn)的次數(shù)和整個(gè)文章的文本數(shù)。查重就是把關(guān)鍵詞數(shù)與文章的文本總數(shù)相除。

文本查重模塊主要利用uigetfile函數(shù)讀取文本，其功能的代碼如下所示：

文本查重模塊主要利用strcmp函數(shù)來判斷是否找到關(guān)鍵詞，利用for循環(huán)來統(tǒng)計(jì)次數(shù)，實(shí)現(xiàn)統(tǒng)計(jì)功能的代碼如下所示。

文本查重模塊中重復(fù)率主要是計(jì)算關(guān)鍵詞在文檔出現(xiàn)的比率，其代碼如下所示：set（handles.edit5，String，count/N）

（2）文本檢索模塊的實(shí)現(xiàn)文本檢索主要采用的TF-IDF檢索方法進(jìn)行關(guān)鍵詞權(quán)重檢索，文本檢索需要有相應(yīng)的語(yǔ)料庫(kù)做檢索的依據(jù)，先統(tǒng)計(jì)語(yǔ)料庫(kù)信息，如語(yǔ)料庫(kù)文件夾名及文件夾里面的文檔數(shù)，然后讀取檢索文本文檔，輸入關(guān)鍵詞進(jìn)行TF-IDF檢索。文本檢索模塊利用列表框、按鈕來實(shí)現(xiàn)數(shù)據(jù)的顯示和讀取，可編輯文本來顯示讀取數(shù)據(jù)的路徑和檢索內(nèi)容，最后做TF-IDF檢索分析。

統(tǒng)計(jì)語(yǔ)料庫(kù)文檔數(shù)主要是利用dir和length函數(shù)來實(shí)現(xiàn)，代碼如下所示：

統(tǒng)計(jì)關(guān)鍵詞在語(yǔ)料庫(kù)中檢索信息，實(shí)i其功能主要是利用fopen和fscanf讀取文本，for循環(huán)來讀取全部文本。在讀取文本信息時(shí)，利用strcmp函數(shù)和for循環(huán)來統(tǒng)計(jì)關(guān)鍵詞在各個(gè)文本中次數(shù)，利用length函數(shù)統(tǒng)計(jì)各個(gè)文本總數(shù)。實(shí)現(xiàn)其功能的代碼如下：

文本處理系統(tǒng)文本檢索采用的是TF-IDF檢索，將上面公式（1-2）代碼化，TF實(shí)現(xiàn)和上面查重類似這里不做介紹，主要介紹IDF的實(shí)現(xiàn)，IDF的計(jì)算需要調(diào)用前面關(guān)鍵詞在語(yǔ)料庫(kù)各個(gè)文本中檢索信息，利用函數(shù)eq來判斷文本是否包含關(guān)鍵詞，沒有將其剔除，利用for循環(huán)來實(shí)現(xiàn)統(tǒng)計(jì)包含關(guān)鍵詞的文檔數(shù)，其功能實(shí)現(xiàn)代碼如下所示。

計(jì)算IDF，文檔頻率IDF=log（語(yǔ)料庫(kù)的文檔總數(shù)（包含該詞的文檔數(shù)+1））

2.3 數(shù)據(jù)庫(kù)設(shè)計(jì)

文本處理系統(tǒng)里除了需要一些用于文本查重和檢索的TXT文本外，還需要一個(gè)由多文本組成的語(yǔ)料庫(kù)，實(shí)際上就是一個(gè)由多文本組成的文本數(shù)據(jù)庫(kù)。語(yǔ)料庫(kù)是語(yǔ)料庫(kù)語(yǔ)言學(xué)研究的基礎(chǔ)資源，也是經(jīng)驗(yàn)主義語(yǔ)言研究方法的主要資源。應(yīng)用于詞典編纂，語(yǔ)言教學(xué)，傳統(tǒng)語(yǔ)言研究，自然語(yǔ)言處理中基于統(tǒng)計(jì)或?qū)嵗难芯康确矫?。為了便于MATLAB讀取語(yǔ)料庫(kù)，將語(yǔ)料庫(kù)里面的文檔按照1，2，3...來進(jìn)行編號(hào)。MATLAB提供的系統(tǒng)函數(shù)fopen和fscanf函數(shù)可以讀取TXT文本，利用for循環(huán)就能將語(yǔ)料庫(kù)里全部文本讀取介紹了文本處理相關(guān)原理及技術(shù)，設(shè)計(jì)與實(shí)現(xiàn)了基于matlab的文本處理系統(tǒng)。經(jīng)過電腦測(cè)試表明，功能模塊運(yùn)行正常，基本滿足功能需求。該系統(tǒng)在文本處理研究領(lǐng)域具有重要價(jià)值，給研究者帶來巨大的方便，尤其是很容易幫研究者做TF-IDF檢索。