【CN109933790A】一种文本特征提取方法及系统【专利】

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910155204.5
(22)申请日 2019.03.01
(71)申请人 武汉达梦数据库有限公司
地址 430074 湖北省武汉市东湖新技术开
发区高新大道999号未来科技大厦C3
栋16-19层
(72)发明人 张宇　郭业亮　张爽　李显锋　
熊纯　张永强　
(74)专利代理机构 武汉智嘉联合知识产权代理
事务所(普通合伙) 42231
代理人 黄君军
(51)Int.Cl.
G06F 17/27(2006.01)
G06F 17/15(2006.01)
G06F 17/16(2006.01)
(54)发明名称
一种文本特征提取方法及系统
(57)摘要
本发明公开一种文本特征提取方法，包括以
下步骤：步骤S1、获取样本数据集，根据所述样本
数据集获取样本矩阵；步骤S2、以所述样本矩阵
作为非平滑非负矩阵分解算法的输入数据，获取
所述非平滑非负矩阵分解算法的目标函数；步骤
S3、根据所述目标函数构造近端函数，根据所述
近端函数求取最优样本矩阵；步骤S4、根据所述
最优样本矩阵构建样本矩阵的迭代公式，根据所
述迭代公式对所述样本矩阵进行迭代更新，得到
特征矩阵。

本发明在进行文本特征提取时，收敛
速度快，
提取效率高。

权利要求书2页 说明书10页 附图1页CN 109933790 A 2019.06.25
C N 109933790
A
1.一种文本特征提取方法，其特征在于，包括以下步骤：
步骤S1、获取样本数据集，根据所述样本数据集获取样本矩阵；
步骤S2、以所述样本矩阵作为非平滑非负矩阵分解算法的输入数据，获取所述非平滑非负矩阵分解算法的目标函数；
步骤S3、根据所述目标函数构造近端函数，根据所述近端函数求取最优样本矩阵；
步骤S4、根据所述最优样本矩阵构建样本矩阵的迭代公式，根据所述迭代公式对所述样本矩阵进行迭代更新，得到特征矩阵。

2.根据权利要求1所述的文本特征提取方法，其特征在于，所述步骤S1具体为：获取多条样本数据，构造所述样本数据集；
对每一条所述样本数据进行向量表示，得到样本向量；
对各所述样本向量进行归一化处理，得到所述样本矩阵。

3.根据权利要求2所述的文本特征提取方法，其特征在于，所述向量表示具体为：
对所述样本数据进行中文分词，并过滤掉所述样本数据中的停用词，得到所述样本数据的词序列；
基于所有所述样本数据的词序列，构造所述样本数据集的字典，计算所述字典中每一个词的词频以及逆文本频率；
根据所述词频以及逆文本频率，计算所述样本数据中每一个词的TFIDF值，得到所述样本数据的向量表示。

4.根据权利要求2所述的文本特征提取方法，其特征在于，
所述归一化处理具体为：其中，x j 为所述样本向量，v j 为归一化后的样本向量，m为所述样本向量的维度数。

5.根据权利要求2所述的文本特征提取方法，其特征在于，所述步骤S2具体为：
所述非平滑非负矩阵分解算法的初始目标函数为：
其中，V为归一化后的所述样本矩阵，H为文本特征表示矩阵，W为文本特征基矩阵，|| ||F 表示矩阵的F范数，θ为调节解的稀疏性的超参数，θ∈[0,1]，I表示单位矩阵，r为文本特征向量的维度数，ll表示一个全1的向量，ll T 表示向量ll的转置；
固定所述初始目标函数中文本特征基矩阵W得到所述目标函数f 1(H)。

6.根据权利要求5所述的文本特征提取方法，其特征在于，所述步骤S3具体为：
根据所述目标函数构造所述近端函数：
其中，L为Lipschitz常数，L＝||S T W T WS||2，<>表示矩阵的内积；
采用拉格朗日乘子法求解所述近端函数最小值对应的最优矩阵
7.根据权利要求6所述的文本特征提取方法，其特征在于，采用拉格朗日乘子法求解所
权　利　要　求　书1/2页2CN 109933790 A。