基于知网语义特征扩展的题名信息分类.docx

? ? 基于知网语义特征扩展的题名信息分类 ? ? 　　0 引言 　　短文本分类通常指对内容较短的文本(通常少于140个中文字符)进行自动分类。在传统的图书情报领域中，期刊论文的题名信息同样具有内容简短、描述信息能力弱的特点，笔者随机抽出CNKI中500条期刊论文题名统计发现，期刊论文题名的平均文本长度为18个字符，完全符合短文本的条件，且特征更加稀疏。但是与普通的在线资源类短文本不同的是，期刊论文题名的语言更加规范，专业性更强。 　　虽然之前有很多相关研究提出了成功的文本挖掘技术，但是它们都是针对长文本数据集。由于短文本具有内容简短、描述信息能力弱等特点，传统的文本分类方法应用在短文本分类上并不能取得满意的效果，难以充分挖掘短文本特征词之间的关联性，因此，短文本分类的关键问题在于提高特征词的表达能力，获得包含更准确信息的短文本特征，目前主要使用的方法是对特征词进行扩展。 　　本文利用文本集内部的语义关联性，通过特征词和隐含主题两个不同粒度，结合外部资源，提出一种基于知网[1]语义特征扩展的题名信息分类方法，其基本思想是：在较细粒度的词特征上，通过特征词词频统计提取训练集的高频词；在较粗粒度的隐含主题特征上，采用概率主题模型挖掘训练集的主题关键词。综合训练集的高频词和主题关键词，获得训练集的语义核心词集，在此基础上，借助知网作为外部资源挖掘测试集与训练集文本之间的语义相关性