第1讲 文本挖掘概述

ห้องสมุดไป่ตู้
原理 1、文本相似度计算的需求始于搜索引擎。 搜索引擎需要计算“用户查询”和爬下来的众多”网页“之间的相似 度，从而把最相似的排在最前返回给用户。 2、主要使用的算法是tf-idf tf：term frequency词频 idf：inverse document frequency倒文档频率 主要思想是：如果某个词或短语在一篇文章中出现的频率高，并且在其 他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适 合用来分类。 第一步：把每个网页文本分词，成为词包（bag of words）。 第三步：统计网页（文档）总数M。 第三步：统计第一个网页词数N，计算第一个网页第一个词在该网页中 出现的次数n，再找出该词在所有文档中出现的次数m。则该词的tf-idf 为：n/N * 1/(m/M) （还有其它的归一化公式，这里是最基本最直观的 公式）
2 文本挖掘的基本思想
首先利用文本切分技术，抽取文本特征，将文本数 据转化为能描述文本内容的结构化数据，然后利用 聚类、分类技术和关联分析等数据挖掘技术，形成 结构化文本，并根据该结构发现新的概念和获取相 应的关系。
换个说法：把从文本中抽取出的特征词进行量化来表 示文本信息。将它们从一个无结构的原始文本转化为 结构化的计算机可以识别处理的信息，即对文本进行 科学的抽象，建立它的数学模型，用以描述和代替文 本。使计算机能够通过对这种模型的计算和操作来实 现对文本的识别。
1)获取训练文本集:训练文本集由一组经过预处理的文本特征向 量组成，每个训练文本(或称训练样本)有一个类别标号;
2)选择分类方法并训练分类模型:文本分类方法有统计方法、机 器学习方 法、神经网络方法等等。在对待分类样本进行分类前， 要根据所选择的分类方法，利用训练集进行训练并得出分类模 型; 3)用训练好的分类模型对其它待分类文本进行分类; 4)根据分类结果评估分类模型。


A：检索到的，相关的 B：检索到的，但是不相关的 C：未检索到的，但却是相关的 D：未检索到的，也不相关的
希望：被检索到的内容越多越好，这是追求 “查全率”，即A/(A+C)，越大越好。 希望：检索到的文档中，真正想要的、也就 是相关的越多越好，不相关的越少越好， 这是追求“准确率”，即A/(A+B)，越大越 好。 （搜到的也想要的） （搜到的但没用的） “召回率”与“准确率”虽然没有必然的 （没搜到，然而实际上想要的） (没搜到也没用的） 关系在实际应用中，是相互制约的。要根据 实际需求，找到一个平衡点，F值。
文本表示模型常用的有：布尔逻辑模型， 向量空间模型、潜在语 义索引和概率模型。 VSM是使用最多的方法也是效率最好的方法。VSM的基本思想是使用 词袋法表示文本，这种表示法的一个关键假设，就是文章中词条出 现的先后次序是无关紧要的，每个特征词对应特征空间的一维，将 文本表示成欧氏空间的一个向量。
特征集约减

文本是以文字串形式表示的数据文件 非结构化文本源（如文档、网页、企业管理日志等） 文本的特点 语言难点：文本不是给计算机阅读的 复杂的语言结构：语法语义 更困难的：歧义 这辆车没有锁； 小张租小王两间房； 多语言
三个学校的领导； 这个人好说话； 放弃美丽的女人让人心碎。

经典的数据挖掘和文本挖掘的数据表示有很大不同。文本挖掘方 法想要看到文档格式，而经典数据挖掘方法着重于处理电子表格 格式的数据，而在文档领域描述数据的标准是称为XML格式的变 体。很明显，我们期望文本和数字是完全不同的。 我们将讨论的文本方法和数据挖掘中使用的方法是相似的。这些 方法已经被证明是非常成功的，尽管它们没有考虑到特定的文本 属性，例如语法的概念或者文字的意义。通过使用频率信息—— 例如一个词在文档中出现的次数——成熟的机器学习方法得以应 用于文本挖掘。 文本挖掘的一个重要支撑是---文本数据到数值数据的转换，所以 虽然数据初始表示不同，但是通过中间阶段将数据转换成到经典 的数据挖掘编码格式，无结构的数据将会被结构化。
第四步：重复第三步，计算出一个网页所有词的tf-idf 值。 第五步：重复第四步，计算出所有网页每个词的tf-idf 值。



文本采集
文本预处理
文本分析
知识获取
可视化展示
文本分词
数据清洗
文本矢量化
词典导入
• 专业字典 • 自定义字典
词频统计 特征提取 词共现 停用词 相关分析 同义词 语义网 近义词 关联规则 标点符号？ 分类 数字？ 聚类 日期？ 检索 过滤 TDT
可视化分析




文本采集 文本预处理 分词 文本清洗 文本矢量化 原始的非结构化数据源结构化表示 文本分析 文本挖掘系统核心功能是分析文本集合中各个文本之间共同出 现的模式 例如：蛋白质P1和酶E1存在联系，在其他文章中说酶E1和酶 E2功能相似，还有文章把酶E2和蛋白质P2联系起来，我们可 以推断出P1和P2存在联系 知识获取 挖掘结果可视化
目的：1）为了提高程序效率，提高运行速度； 2）数万维的特征对文本分类的意义是不同的，一些通用的、各个 类别都普遍存在的特征对分类的贡献小，在某个特定的类中出现的比重大 而在其他类中出现比重小的特征对文本的贡献大 。 3）防止过拟合（Overfit）。对每一类，去除对分类贡献小的特征， 筛选出针对反映该类的特征集合。 一个有效的特征集直观上说必须具备以下两个特点： 1）完全性：确实体现目标文档的内容； 2）区分性：能将目标文档同其他文档区分开来。
文档集合
给出有关被检索 文档的一些线索
用户提交 的一系列 的线索词 有时文档匹配器 可以对文档中的 某些词进行替换
输入文档 匹配的文档 文本挖掘 文档匹配
与线索匹 配的文档
图1.5 检索匹配的文档
召回率：Recall，又称“查全率” 准确率：Precision，又称“精度”、“正确率”
可以把搜索情况表示：
◦ ◦ ◦ ◦ ◦
大规模的数据集 高维 过适应 over fitting 噪声数据 挖掘出的模式的可理解性
区别： ◦ 文本挖掘：文档本身是半结构化的或非结构化的，无确定形式并且缺乏机 器可理解的语义； ◦ 数据挖掘：其对象以数据库中的结构化数据为主，并利用关系表等存储结 构来发现知识; ◦ 数据挖掘已不是什么方兴未艾的新兴技术，在业界远未普及，但是，理论 技术已经高度发达，对于某些问题解决也几近成熟。文本挖掘面临好多问 题。 ◦ 大多数情况，数据挖掘的技术不适用于文本挖掘，或至少需要预处理。

文本挖掘定义
◦ Text Mining is mainly about somehow extracting the information and knowledge from text ◦ 文本挖掘是一个以半结构（如WEB网页）或者无结构（如纯文 本）的自然语言文本为对象的数据挖掘，是从大规模文本数据 集中发现隐藏的、重要的、新颖的、潜在的有用的规律的过程。 (对KDD定义进行扩展)
特征子集的提取：是通过构造一个特征评估函数，对特征集中的每个特 征进行评估，每个特征获得一个评估分数，然后对所有的特征按照评估 分大小进行排序，选取预定数目的最佳特征作为特征子集。
3 文本模式挖掘
文本挖掘系统核心功能是分析文本集合中各 个文本之间共同出现的模式 例如：蛋白质P1和酶E1存在联系，在其他 文章中说酶E1和酶E2功能相似，还有文章把酶 E2和蛋白质P2联系起来，我们可以推断出P1和 P2存在联系

考虑文档为一个集合。属性集将是集合中唯一词的总集合。我 们称这个词集为字典。样例是个别的文档。一个应用程序可能 有数千个或者甚至数以百万计的文档。这个字典将集中到比文 档数目更小的词，但仍然可以编号到几十万。
正常情况下的电子表格矩阵是稀疏的：任何单个文档仅仅使用 字典中词的潜在集合的一个极小的子集。因为这一特殊性质， 电子表格仍然是一个合理的概念模型数据。 文本挖掘方法主要集中于正匹配，不担心其他词是否存在于文 档。此观点也引起了处理时的极大简化，往往使得文本挖掘程 序可以处理常规数据挖掘认为规模过于庞大的问题。 尽管文本挖掘在高维度进行操作，但是在很多情况下，由于多 数文档和多数实际应用程序的稀缺性，处理过程还是很高效的。
4 模式评价和可视化
也就是文本挖掘系统的表示层，简称浏览
文本挖掘的用武之地： 文本摘要 文本分类 信息检索 文档聚类与组织 信息提取 预测评估 其他
注：这里不强调语言学领域的分析， 统计和关联关系是研究的基础。

指从文档中抽取关键信息，用简洁的形式，对文 档内容进行摘要和解释，这样用户不需阅读全文 就可了解文档或文档集合的总体内容。
近年来涌现出了大量的适合于不同应用的分类 算法，如： 基于归纳学习的决策树 基于向量空间模型的 K-最近邻 基于概率模型的方法，如朴素Bayes 分类器， 隐马尔可夫模型等。 神经网络方法 基于统计学习理论的支持向量机方法 ……
还有什么能比搜索引擎更基础呢？
代表性的
将数据从文本转换到标准数值形式。 将文本转换为标准的电子表格格式，并且填写电子表格 的单元格。 可考虑将文档看作一个完整的样例。列是可以被衡量的 属性。在文本的最基本模型中，可认为词的出现或不出 现为每个文档中的可度量属性。因此，每行表示一个文 档，每列表示一个词。如图，用1或者0填写单元格。 在这个样例中，词“收入”出现在文档1和3，而不是 文档2或4。
联系 数据挖掘和文本挖掘不是两个完全不同概念。事 实上，它们都基于对以前样例的抽样分析，虽然 样例组成大不相同，但是许多学习方法是相似的。 因此，在文本挖掘过程中，文本将转换为数字形 式。
数据粗分为两种类型： （a）有序数值类型 可以比较大小，例如，“重量”和“收入”
（b）分类类型。 分类属性是在代码书中定义的无序数值代码。 最常见分类类型数据是可以取值为“真”或者 “假”的属性，用1表示真，0表示假。 学习程序并不关心代码含义，而最终理解学习程序结 果却要依赖代码含义。