大数据挖掘与知识发现(讲稿子子12---文本挖掘).docVIP

实用标准文档 PAGE 文案大全 第12章 文本数据挖掘与Web挖掘技术 第1节 文本挖掘概述 1.1 文本挖掘的出现 在现实世界中，我们面对的数据大都是文本数据，这些数据是由各种数据源（如新闻文章、研究论文、书籍、数字图书馆、电子邮件和Web页面等）的大量文档组成。所以，随着文档信息量的飞速增长，文本数据的数据量也急剧地增长。 文本数据是所谓的半结构化数据（Semi-Structure Data），它既不是完全无结构的也不是完全结构化的。如，文档可能包含结构字段，比如：标题、作者、出版日期、长度、分类等，也可能包含大量的非结构化的文本，如摘要和内容。 文本挖掘（Text Mining），国外有人称之为文本数据挖掘（Text Data Mining）和文本分析（Text Analysis）。文本挖掘一词大约出现于1998年4月在欧洲举行的第十届机器学习会议上，组织者 Kodratoff明确地定义了文本挖掘的概念，并分清它与“信息检索”的不同点和共同点。Kodratoff认为，文本挖掘的目的是从文档集合中搜寻知识，并不试图改进自然语言理解，并不要求对自然语言的理解达到多高水平，而只是想利用该领域的成果，试图在一定的理解水平上尽可能多地提取知识。因此，文本挖掘需要数据挖掘、语言学、数据库以及文本标引和理解方面的专家参与。 我国于1998年在国家重点基础研究发展规划（“973计划”）首批实施项目中，包括了文本挖掘的内容。 1.2 文本挖掘的基本概念 1、概念 文本挖掘是一个从大量文本数据中提取以前未知的、可理解的、可操作的知识的过程。文本数据包括：技术报告、文档集、新闻、电子邮件、网页、用户手册等。 文本挖掘对单个文档或文档集（如，Web搜索中返回的结果集）进行分析，从中提取概念，并按照指定的方案组织、概括文档，发现文档集中重要的主题。它除了从文本中提取关键词外，还要提取事实、作者的意图、期望和主张等。这些知识对许多，如市场营销、趋势分析、需求处理等，都是很有用的。 2、任务 主要任务有： 文本标引和短语提取，即在读取大量的非结构化文本时，应用自然语言处理技术提取文本，集中所有相关的短语。提取时要处理同义词和词义模糊现象。可以形象地把文本挖掘看作是一支荧光笔，它通读文本时高亮度显示有关的短语，这些短语放在一起就可以得到对文本的一个较好的理解。 概念提取（聚类），即对这些短语之间的关系，建立一个“词汇网”；将相关短语分组，并增强这些组中最重要的特征；最后得到的模式反映了该文本集中的主要概念。然后，通过提取出的概念集发现未知的知识。 可视化显示和导航。对挖掘得来的信息（词频、相关概率、时事性话题、地域依赖信息、时间序列等），可以从多个视角出发进行分析。 3、文本挖掘与数据挖掘 相似点在于：两者都处理大量的数据，都有归属到知识管理的知识发现领域中。 差别在于：许多经典的数据挖掘算法，如数值预测、决策树等都不太适用于文本挖掘，因为它们依赖于结构化的数据。而像概念关系分析等工作则是文本挖掘所独有的，如表所示。 文本挖掘与数据挖掘的区别 数据挖掘 文本挖掘 研究对象 用数字表示的、结构化的数据 无结构或者半结构化的文本 对象结构 关系数据库 自由开放的文本 目标 抽取知识，预测以后的状态 检索相关信息，提取意义，分类 方法 归纳学习、决策树、神经网络、粗糙集、遗传算法等 标引、概念抽取、语言学、本体 成熟度 从1994年开始得到了广泛应用 从2000年开始得到了应用 1.3 文本挖掘与信息检索 信息检索是文本挖掘相关的一个概念，但它与文本挖掘又是不同的两个概念。 信息检索是指从大量的文档集合C中，找到与给定的查询请求q相关的、恰当数目的文档子集S的过程。区别主要表现在如下几个方面： （1）方法论不同 信息检索是目标驱动的，用户需要明确提出查询要求；而文本挖掘结果独立于用户的信息需求，是用户所无法预知的。 （2）着眼点不同 信息检索着重于文档中字与词和链接；而文本挖掘在于理解文本的内容和结构。 （3）目的不同 信息检索的目的在于帮助用户发现资源，即从大量的文本中找到满足其查询请求的文本子集；而文本挖掘是为了揭示文本中隐含的知识。 （4）评价方法不同 信息检索用查准率（Precision, 检索到的文档中的相关文档占全部检索到的文档的百分比）和查全率（Recall, 即被检索出的文档中的相关文档占全部相关文档的百分比）来评价其性能，要求尽可能多的检索出相关文档，同时不相关的文档尽可能少。而文本挖掘采用收益（Gain）、置信度（Certainty）、简洁性（Simplicity）等来衡量所发现知识的有效性、可用性和可理解性。 （5）使用场合不同 有时信息检索系统返回太多的结果以致用户无法一一浏览，有时用户没有明确的信息