基于向量空模型的數(shù)字圖書信息分類系統(tǒng)設(shè)計(jì)

況書梅，王莉莉

（重慶工商大學(xué)融智學(xué)院，重慶 401320）

0 引言

向量空間模型是一個(gè)把文本文件表示為標(biāo)識符向量的代數(shù)模型，主要應(yīng)用在信息過濾、信息檢索、索引以及相關(guān)排序過程中[1]。數(shù)字圖書館是用數(shù)字技術(shù)處理和儲(chǔ)存各種文獻(xiàn)的圖書館，從結(jié)構(gòu)的性質(zhì)上來講，數(shù)字圖書館是一種多媒體的分布式信息系統(tǒng)，它能夠?qū)⒉煌d體、不同地理位置的信息資源通過數(shù)字技術(shù)進(jìn)行儲(chǔ)存，進(jìn)而方便用戶使用。為了增強(qiáng)數(shù)字圖書館的使用性，對數(shù)字圖書館內(nèi)的各項(xiàng)文獻(xiàn)進(jìn)行分類，使用者可以更加方便快捷地查詢得到所需的信息[2]。

在向量空間模型的控制下，設(shè)計(jì)一種數(shù)字圖書信息分類系統(tǒng)，能夠?yàn)椴粩鄡?yōu)化的數(shù)字圖書館各項(xiàng)性能提供幫助。國外針對數(shù)字圖書信息分類系統(tǒng)研究起步較早，各個(gè)發(fā)達(dá)國家大學(xué)研究者在各個(gè)算法的支持下，現(xiàn)已形成了支持不同功能的信息分類系統(tǒng)[3]。國內(nèi)在設(shè)計(jì)數(shù)字圖書信息分類系統(tǒng)方面起步較晚，從整體的技術(shù)水平上來講，該項(xiàng)技術(shù)還處于發(fā)展階段，仍需不斷研究發(fā)展。

1 信息分類系統(tǒng)硬件設(shè)計(jì)

1.1 CPU 板卡的設(shè)計(jì)

數(shù)字圖書信息分類系統(tǒng)處理的數(shù)據(jù)信息較多，所以在設(shè)計(jì)CPU 板卡時(shí)，選用型號為MPC755 的處理器，中央數(shù)據(jù)處理芯片選用MPC107 橋芯片，將SDRAM 作為儲(chǔ)存電路的核心，以FPGA 作為CPU 板的控制器，在看門狗電路的控制下，連接一個(gè)支持總線協(xié)議芯片ARINC659，最終形成的硬件結(jié)構(gòu)如圖1 所示。

圖1 CPU 板卡結(jié)構(gòu)

在圖1 所示的板卡結(jié)構(gòu)控制下，處理器MPC107 接口拓展橋芯片，為了增強(qiáng)核心數(shù)據(jù)處理器的響應(yīng)速度，控制處理器外部連接一個(gè)二級緩存，橋接芯片外部管腳連接一個(gè)數(shù)量級為60 的線路，芯片另外一側(cè)連接互聯(lián)網(wǎng)PCI 接口[4]?？刂菩酒瑑?nèi)部的中央控制單元串聯(lián)一個(gè)寄存器，寄存器負(fù)責(zé)調(diào)和中央控制單元外圍邏輯模塊的發(fā)送數(shù)據(jù)量。為了增強(qiáng)CPU 板卡上數(shù)據(jù)的存儲(chǔ)量，在板卡上SDRAM 儲(chǔ)存電路上并聯(lián)兩個(gè)User FLASH 存儲(chǔ)器、一個(gè)Boot FLASH 存儲(chǔ)器以及一個(gè)非易失性儲(chǔ)存器，控制SDRAM 負(fù)責(zé)儲(chǔ)存信息分類時(shí)產(chǎn)生的指令數(shù)據(jù)，User FLASH 存儲(chǔ)器1 負(fù)責(zé)儲(chǔ)存圖書信息類別屬性的數(shù)據(jù)，User FLASH 存儲(chǔ)器2 用來儲(chǔ)存系統(tǒng)登錄用戶的數(shù)據(jù)信息，Boot FLASH 存儲(chǔ)器負(fù)責(zé)儲(chǔ)存系統(tǒng)引導(dǎo)分類時(shí)產(chǎn)生的冗余數(shù)據(jù)，非易失性存儲(chǔ)器則用來儲(chǔ)存分類系統(tǒng)啟動(dòng)時(shí)的配置信息[5]。在不同性質(zhì)用途的控制下，設(shè)定上述存儲(chǔ)器的容量，存儲(chǔ)容量大小如表1 所示。

表1 儲(chǔ)存器容量大小

在上述儲(chǔ)存器容量控制下，在各個(gè)芯片的總線路上設(shè)置一個(gè)復(fù)位監(jiān)控芯片，負(fù)責(zé)監(jiān)控整個(gè)CPU 板卡的工作狀態(tài)。在控制板接收到數(shù)字圖書信息時(shí)，監(jiān)控芯片會(huì)將該圖書信息數(shù)據(jù)轉(zhuǎn)化為信號，控制看門狗輸入管腳連接FPGA 中的硬件總線，設(shè)定FPGA 寄存器中的計(jì)數(shù)數(shù)值為5，一旦達(dá)到該數(shù)值，復(fù)位芯片發(fā)出控制信號，完成一次復(fù)位，此時(shí)數(shù)字圖書信息在硬件結(jié)構(gòu)上完成一次分類[6]。在設(shè)計(jì)CPU 板卡后，連接板卡各個(gè)硬件元件形成一個(gè)穩(wěn)定運(yùn)行的硬件連接電路。

1.2 硬件連接電路

在上述硬件板卡的控制下，數(shù)字圖書信息存在多種冗余資源輸出，所以在設(shè)計(jì)硬件連接電路時(shí)，設(shè)計(jì)一個(gè)輸出電路，實(shí)現(xiàn)硬件結(jié)構(gòu)對數(shù)據(jù)的容錯(cuò)功能[7]。在各個(gè)硬件元件的線路電壓處放置不同數(shù)值的電阻，維持各個(gè)硬件元件的電壓穩(wěn)定，設(shè)定整體電路的電壓數(shù)值在3.3～8 V 之間，在硬件元件少的支路上放置低阻抗且數(shù)值為10 Ω 的電阻，控制在相同時(shí)刻下，輸出一個(gè)驅(qū)動(dòng)負(fù)載，形成的輸出電路，如圖2 所示。

圖2 輸出電路

在圖2 所示的輸出電路結(jié)構(gòu)控制下，控制板卡內(nèi)控制處理器連接管腳6，數(shù)字圖書信息通過管腳2 進(jìn)入到核心的處理單元中，經(jīng)過核心硬件的處理后，經(jīng)由管腳5 輸出?？刂坪诵奶幚戆逋ㄟ^FPGA 總線連接存儲(chǔ)器構(gòu)成的儲(chǔ)存電路，在存儲(chǔ)器自帶功能的控制下，實(shí)現(xiàn)硬件電路的外部擴(kuò)展[8]。在線路總線的另一側(cè)采用異步串行的接口方式，合理布局CPU 處理板與儲(chǔ)存電路走線位置。結(jié)合RS 422 標(biāo)準(zhǔn)四線制規(guī)范數(shù)字圖書信息數(shù)據(jù)的走向。使用處理器與橋芯片集成的UART 模塊功能，設(shè)定電路內(nèi)的電平轉(zhuǎn)換形式。

系統(tǒng)硬件電路采用一個(gè)整體電源模塊進(jìn)行供電，在儲(chǔ)存電路以及輸出電路的控制下，將硬件的供電需求劃分為兩個(gè)部分，第一個(gè)部分為整體的硬件電路供電，第二部分為CPU 板卡內(nèi)的芯片處理器供電，在整體電源與硬件芯片的連接線路上放置一個(gè)電壓轉(zhuǎn)換器，為了滿足硬件元件與電路之間的穩(wěn)定，穩(wěn)壓器選用型號為AM S1084?3.3 V 的三端穩(wěn)壓器[9]，最終完成對圖書信息分類系統(tǒng)硬件的設(shè)計(jì)。

2 信息分類系統(tǒng)軟件設(shè)計(jì)

2.1 利用向量空模型構(gòu)建信息分類規(guī)則

在利用向量空間模型構(gòu)成信息分類規(guī)則時(shí)，轉(zhuǎn)化數(shù)字圖書信息為空間向量[10]，假設(shè)一次分類過程中數(shù)字圖書信息集中含有n個(gè)數(shù)字圖書信息文檔，每個(gè)信息文檔中含有m個(gè)不同的特征項(xiàng)，各個(gè)特征項(xiàng)相互獨(dú)立，則存在如下數(shù)量關(guān)系：

式中：t表示信息特征項(xiàng)；wk表示特征項(xiàng)在圖書信息中的權(quán)重。假定(t1,t2,…,tm)是一個(gè)y維的坐標(biāo)軸，根據(jù)其內(nèi)部不同的坐標(biāo)數(shù)值，計(jì)算得到數(shù)字圖書信息的特征向量，則其可表示為：

式中：Vd表示文本中的特征向量；其余參數(shù)含義不變。整合相同數(shù)值的信息為一個(gè)集合D，該集合可表示為：

在上述處理過程下，就形成一個(gè)數(shù)字圖書信息轉(zhuǎn)化的過程，轉(zhuǎn)化過程如圖3 所示。

圖3 數(shù)字圖書信息轉(zhuǎn)化過程

在圖3 所示的信息轉(zhuǎn)換過程中，箭頭的起始點(diǎn)為數(shù)字圖書信息所在的文件，在向量空間模型的處理下，參照不同的數(shù)據(jù)特征，形成了不同的方向[11]，以一個(gè)方向?yàn)橐粋€(gè)分類類別，為了排除冗余數(shù)據(jù)的干擾，計(jì)算相同方向上圖書信息數(shù)據(jù)的相似度，計(jì)算公式可表示為：

式中：i，j分別表示相同方向的信息；wik，wjk表示其特征向量。將信息數(shù)據(jù)相似度作為一次標(biāo)準(zhǔn)化處理，計(jì)算2 個(gè)數(shù)據(jù)點(diǎn)間的明氏距離，計(jì)算公式可表示為：

式中：xik，xjk分別表示信息數(shù)據(jù)所在x坐標(biāo)軸數(shù)值大?。籶表示度量數(shù)值。以相似度數(shù)值為冗余數(shù)據(jù)篩選規(guī)則，定義數(shù)值大小相差不超過0.5 的信息數(shù)據(jù)為一組，最終實(shí)現(xiàn)對數(shù)字圖書信息的分類。完成數(shù)字圖書信息分類后，實(shí)現(xiàn)分類系統(tǒng)的功能模塊。

2.2 功能模塊的實(shí)現(xiàn)

在構(gòu)建的信息分類規(guī)則下，以相同規(guī)則下的圖書信息樣本為實(shí)現(xiàn)對象[12]，構(gòu)建一個(gè)停用信息過濾模塊，構(gòu)建的過濾模塊如圖4 所示。

圖4 停用信息過濾模塊

在圖4所示的停用信息過濾模塊下，根據(jù)式（3）計(jì)算得到相似度數(shù)值，刪除特定詞匯表中數(shù)值小于3 的詞匯[13]。根據(jù)不同的數(shù)值，計(jì)算其對應(yīng)的匹配度，計(jì)算公式可表示為：

式中：N表示待匹配的所有信息；A，B，C分別表示不同類別的信息項(xiàng)；其余參數(shù)含義不變。將停用信息篩選出后，利用軟件線程池的LinkList 鏈表作為線程分類任務(wù)[14]，在ThreadPool 接口處形成如圖5 所示的分類過程。

圖5 分類功能實(shí)現(xiàn)

在圖5 所示的分配過程下，左邊的運(yùn)行鏈組抽取MTQueue 中的數(shù)字圖書信息進(jìn)行處理，最終通過invokeLater（·）輸出一個(gè)數(shù)字圖書信息的對應(yīng)的類別[15]最終完成對基于向量空模型的數(shù)字圖書信息分類系統(tǒng)的設(shè)計(jì)。

3 系統(tǒng)測試

3.1 實(shí)驗(yàn)準(zhǔn)備

整合圖書信息后，采用MacBook Pro MD 103 CH/A，選用的硬件開發(fā)設(shè)備參數(shù)如表2 所示。

表2 PC 機(jī)設(shè)備參數(shù)

在表2 的各項(xiàng)參數(shù)控制下，根據(jù)分類系統(tǒng)內(nèi)的各個(gè)功能模塊實(shí)現(xiàn)的情況，采用交流電壓進(jìn)行供電，轉(zhuǎn)化為不同數(shù)值大小的電壓進(jìn)行供電，連接承載數(shù)字圖書信息分類系統(tǒng)的內(nèi)核，連接情況如圖6 所示。

圖6 內(nèi)核連接方式

由圖6 所示的內(nèi)核連接方式下，針對不同的程序模塊，調(diào)試信息分類系統(tǒng)的軟件設(shè)備，調(diào)試完畢后，搭建系統(tǒng)的測試環(huán)境，形成的測試環(huán)境結(jié)構(gòu)如圖7 所示。

在如圖7 所示的結(jié)構(gòu)下，使用文獻(xiàn)[8]中的信息分類系統(tǒng)、傳統(tǒng)信息分類系統(tǒng)以及文中設(shè)計(jì)的信息分類系統(tǒng)進(jìn)行實(shí)驗(yàn)，對比三種信息分類系統(tǒng)的性能。

3.2 結(jié)果及分析

基于上述實(shí)驗(yàn)準(zhǔn)備，假定三種分類系統(tǒng)待分類的圖書信息的類別為經(jīng)濟(jì)、生活、軍體、社會(huì)、文學(xué)以及政法，每項(xiàng)圖書信息種類準(zhǔn)備50 條，定義分類得到的標(biāo)識符與準(zhǔn)備圖書信息內(nèi)的標(biāo)識符相同時(shí)，即為一次成功分類過程，計(jì)算并統(tǒng)計(jì)在三種信息分類系統(tǒng)的控制下，不同類別的圖書信息分類準(zhǔn)確率結(jié)果如表3 所示。

圖7 搭建的系統(tǒng)測試結(jié)構(gòu)

表3 三種信息分類系統(tǒng)準(zhǔn)確率結(jié)果 %

由表3 所示的各項(xiàng)準(zhǔn)確率數(shù)值可知，在針對相同數(shù)量以及種類的數(shù)字圖書信息時(shí)，三種分類系統(tǒng)表現(xiàn)出了不同的分類準(zhǔn)確性，以表3 中的平均準(zhǔn)確率數(shù)值可知，文獻(xiàn)[8]中的分類系統(tǒng)的信息分類準(zhǔn)確率數(shù)值在77.91%左右，分類準(zhǔn)確率較低。傳統(tǒng)分類系統(tǒng)在實(shí)際分類時(shí)，最終的分類準(zhǔn)確率數(shù)值在87.58%左右，準(zhǔn)確率數(shù)值較高。而文中設(shè)計(jì)的圖書信息分類系統(tǒng)最終的分類準(zhǔn)確率在97.76%左右，與前述兩種信息分類系統(tǒng)相比，文中設(shè)計(jì)的信息分類系統(tǒng)準(zhǔn)確率數(shù)值最大，信息分類準(zhǔn)確。

保持上述實(shí)驗(yàn)環(huán)境不變，在300 條信息數(shù)據(jù)的分類工作中，按照每組50 條信息為分界，測量三種分類系統(tǒng)在分類后所需的分類時(shí)間，繪制分類指令響應(yīng)時(shí)間結(jié)果圖表，最終的分類時(shí)間結(jié)果如圖8 所示。

由圖8 所示的分類時(shí)間結(jié)果可知，三種信息分類系統(tǒng)針對相同數(shù)量的待分類信息表現(xiàn)出了不同的時(shí)間響應(yīng)結(jié)果，以最終300 條數(shù)字圖書信息為對比標(biāo)準(zhǔn)，文獻(xiàn)[8]中的信息分類系統(tǒng)所需的時(shí)間在240 ms 左右，所需的信息分類時(shí)間較長。而傳統(tǒng)信息分類系統(tǒng)所需的分類時(shí)間在180 ms 左右，分類信息所需的時(shí)間較短。而文中設(shè)計(jì)的信息分類系統(tǒng)所需的分類時(shí)間在90 ms左右，與上述兩種信息分類系統(tǒng)相比，文中設(shè)計(jì)的信息分類系統(tǒng)所需的分類時(shí)間最短。綜合上述實(shí)驗(yàn)結(jié)果可知，文中設(shè)計(jì)的信息分類系統(tǒng)在實(shí)際工作時(shí)，對不同種類的信息分類更加準(zhǔn)確，所需的分類時(shí)間最短。

圖8 三種信息分類系統(tǒng)的分類時(shí)間

4 結(jié)語

隨著數(shù)字圖書館不斷地利用普及，如何對數(shù)字圖書信息進(jìn)行分類逐漸成為研究的重點(diǎn)，本文設(shè)計(jì)一種基于向量空模型的數(shù)字圖書館信息分類系統(tǒng)能夠準(zhǔn)確地劃分圖書信息，改善了現(xiàn)有數(shù)字圖書信息分類系統(tǒng)分類時(shí)間較慢的不足，為今后研究數(shù)字圖書信息分類提供了理論研究方向。