融合词向量及BTM模型的问题分类方法

2019年2月计算机工程与设计 Feb.2019

第 ％〇卷第 2 期 COMPUTER ENGINEERING ANDDESIGN Vol.40 No.2融合词向量及BTM模型的问题分类方法

黄贤英，谢晋+，龙姝言

(重庆理工大学计算机科学与工程学院，重庆400054)

摘要：针对传统短文本分类算法对问题分类效果不佳的问题，提出一种融合词向量及B T M模型的问题分类方法。使用 Word2vec对问题语料库进行训练得到词向量；对语料进行基于吉布斯采样的B T M主题模型构建，得到文本主题扩展向 量；将文本主题扩展向量与词向量拼接得到新的问句扩展文本，利用S V M进行文本分类。实验结果表明，该方法在准确 率、召回率及F值上的表现均有提高。

关键词：问答系统'问题分类；词向量'B T M主题模型；问句扩展

中图法分类号！TP391 文献标识号：A文章编号$ 1000-7024 (2019) 02-0384-05

doi: 10. 16208!. issnl000-7024. 2019. 02. 015

Q u estio n classification m ethod com bining w ord vector and B T M m odel

H U A N G X ia n-y in g,X IE J in+ &L O N G S hu-yan

(College of Computer Science and Engineering,Chongqing University of Technology,Chongqing 400054, China) Abstract：As the traditional short text classification algorithms do not work well in classification,a problem classification method based on the fusion of word vector and B TM model was proposed.Word2vec was used to train the corpus and word vector was obtained.The B TM t opic modd was constructed based on Gibbs sampling of data.The text topic extension vector and the word vector were spliced to ge t the new ques t ion extension text and text classification was implemented based resu1t s show t h a t using t h e proposed me t hod improves t h e accuracy,recall rat e and F valu.. Keywords:Q A#question classification;w ordvector;B TM m odel;questionexpansion

/引言

问答系统（Q A)的任务是快速的为用户提出的问题提 供一个用户满意的答案[1],而在回答问题的过程中蕴含着许 多信息检索领域息息相关的技术。通常来说，问答系统包括 三个重要模块：对用户所提出问题的分析、对信息进行检索 和抽取出最优答案集合)]。问题分析作为问答系统的第一项 关键技术，其主要工作是分析用户问句所包含的信息，而分 析问句的关键环节就是对问题进行分类，所以从某种程度上 来说，问题分类效果影响着问答系统的工作效率)]。

问题文本指的是要求问答系统回答或者解释的文本，一般来说问题文本的长度较短且重复的词项较少，所以问 题分类不可以看作为一般的文本分类任务)]。与文本分类 相比，问题分类存在不少难题，首先问题文本长度较短，形成的特征向量空间存在较大的稀疏性；其次，问题文本难以找到合适的方法或者模型来表示；再次，由于问题文 本中的重复的词项较少，那么词频就不能作为问句特征的衡量标准)5]。

目前在问题分类研究领域，使用的工具和方法与短文 本分类相似，大致分为两个方向，第一种是基于规则的分 类方式；第二种是基于数理统计的机器学习算法。张栋 等[6]在扩充问句特征的过程中，将答案语料融人原始的问 句文本；冶忠林等)]利用搜索引擎来扩展知识库，并结合 L D A来进行主题模型的构建；文献）]中引人词向量模 型来代替传统的空间向量模型；张青等[9]提出一种优质主 题的思想，并使用L D A模型扩展文本的特征项。近些年，随着信息检索、文本表示相关领域的飞速发展，专家学者 意识到L D A主题模型对短文本建模的稀疏问题。Yan 等)0]提出中文短文本双词主题模型BTM(biterm topic model),改善了 L D A主题模型的建模缺陷；刘良选等)1]

收稿日期：2017-12-26;修订日期：2019-01-08

基金项目：国家社会科学基金项目（17XXW004);重庆市教委基金项目（15YK790061)

作者简介：黄贤英（1967 -)女，重庆人，硕士，教授，CCF会员，研究方向为信息检索；+通讯作者：谢晋（1993 -)男，湖北 十堰人，硕士研究生，研究方向为信息检索、文本挖掘；龙姝言（1992-）女，重庆人，硕士研究生，研究方向为推荐系统。

E-mail：895309382@

第40卷第2期黄贤英，谢晋，龙姝言：融合词向量及BTM模型的问题分类方法•385 •

提出基于词向量参数分布的文本分类算法，并采用B T M主

题建模；郑诚等[12]在进行文本分类时，两次使用B T M建

模，达到扩充训练集的效果，得到最大的语料库，从而提

高文本分类的准确率。

现存的问题文本语句较短、特征稀疏，使用传统的短

文本分类算法无法解决数据稀疏的问题，从而导致分类效

果较差。本文针对传统短文本分类算法存在的不足，提出

融合词向量及B T M模型的问题分类方法，核心思想是首先

融合全部的问题语料文本及答案语料，随后对该大规模文

本进行词向量的扩充，然后使用B T M主题模型建模，最后 将上述过程形成的向量进行组合，得到最终的问答语料向 量，使用SVM(support vectormachine)来进行问题分类 检验。对比传统算法及单一模型，分析实验结果。

1词向量及B T M建模

1.1 利用word2vec产生词向量

T om asM ikolov在N N L M和R N N L M的基础上提出了 Word2vec，传统的N N LM(前馈神经网络模型）由输入 层、映射层、隐藏层和输出层4部分构成，而随后产生的 R N N L M在N N L M基础上对于使用环境进行了优化)3]。W o d2vec可以在百万数量级的词典和上亿的数据集上进行 高效的训练，该工具得到的词向量（word embedding)，可 以很好地度量词与词之间的相似性)4]。作者提出了两种计 算模型分别是C BO W和Skip-gram。这两个模型的区别在 于CBOW模型是输入当前词项相邻的4个词项来进行预测 并输出当前词项，而Skip-gram模型是输入当前词项来进 行预测并输出当前词相邻的4个词，如图1和图2所示。

图1CBOW模型的工作原理

1.2 B T M主题建模

传统的主题模型主要是通过计算词项在文档中的重要 程度来进行模型建立，当语料较短时难以计算词项的重要 性，导致数据稀疏。针对L D A对短文本建模的缺陷，B TM 主题模型应运而生，B T M模型的思想是对训练集中的同一 上下文共同出现的一对无序词项进行建模。通过分析建模 的结果，两个词项是否属于同一类别取决于它们的共现次

图2 Skip-gram模型的工作原理

数。在B T M模型中，假设多个主题模型的混合分布产生全 部的训练集，全局的主题分布中产生每个主题。

D表示训练集语料，W${it#，…，_}表示从训练集语 料中建模得到的双词集合，圳表示一个双词单元$,，，也2)。假定a和卢是D irichlet先验参数。利用B T M模型进 行模型建立的全过程如图3所示。

上图中，K为人为确定的主题个数，彡为文本语料库上 的主题分布，^为该主题下的词项分布，M^()为多项分 布，D ir()表示D irichlet分布。Z为主题0的D irichlet分布。

B T M模型建立步骤如下：

$)通过D irichlet分布从参数^中抽样出一个主题下的词分布〜D V$) #

$)在a的D irichlet分布中，抽样出文本训练集的全 局主题分布^〜D V$) #

$)从短文本语料库共同参数彡抽取主题Z，服从 Z〜M tdt$) #

$)设语料中的一个词对为6，6 $ (l o i)，从上述 抽取的主题Z中抽取^，i•这两个词，并使其服从取，10 〜M idt('(p Z) #

()从短文本语料库共同参数彡抽取主题Z，服从 Z〜Midt() #

(6)设语料中的一个词对为6，6 $ (l o i)，从上述 抽取的主题Z中抽取这两个词，并使其服从取，U0 〜MidtC(p Z)

。