基于Word2Vec模型和K-Means算法的信息技术文档聚类研究?
来源:用户上传
作者:毛郁欣 邱智学
摘要：互联网上与信息技术相关的文档和学习资料较为分散，而且会随着信息技术的发展而动态更新。作者提出了一种基于Word2Vec模型和K-Means算法的聚类方法，能够实现对与信息技术相关的网络文档的聚类，并对不同来源和主题的技术文档自动分类，此方法对构建信息技术知识库和在线学习平台具有较强的支撑作用。
关键词：文本聚类;Word2Vec;K-Means算法;领域本体
中图分类号：G434 文献标识码：A 论文编号：1674-2117（2020）08-0099-03
引言
随着互联网的发展，各个技术领域在网上都产生了大量的专业文档和技术资料，且较为分散，再加上信息技术本身发展和迭代非常迅速，相应的文档也会随之不断地动态更新，对应的文档主题和内容呈现出较为明显的动态性。例如，CSDN（信息技术社区）上的技术文章，基本上是按照网站设定好的固定类别（如游戏开发、人工智能、Python等）进行分类，同时允许作者添加一系列个性化标签。但是随着文章数量的增多，有限的固定类别显然无法满足精细化的文章分类需求，只能进行粗略、大概的归类，而作者添加的标签又带有很强的主观性和随意性，不能完全作为分类的依据。因此，运用更加有效和准确的方法对互联网上不同来源、不同主题的信息技术文档进行研究和分析，具有十分现实的意义。互联网上与信息技术相关的文档属于无结构文本，因此运用文本挖掘技术进行量化处理和分析是比较可行的方法。
总体来看，虽然目前关于Web文档聚类或分类的研究已经比较多[1-2]，但是直接针对信息技术文档的研究还不多，而结合深度学习模型进行文本挖掘的研究也比较缺乏。为此，本文研究并提出一种基于Word2Vec模型[3]和K-Means算法的聚类方法，能够实现对与信息技术相关的网络文档的聚类。该方法实现了对不同来源和主题的信息技术文档的自动分类，对于构建信息技术知识库和在线学习平台具有较强的支撑作用。
信息技术文档的特征处理
要实现对互联网上多来源、多主题的信息技术文档的自动分类或聚类，首先必须对文档进行特征处理，本研究提出的特征处理流程如下页图1所示。
对于采集到的信息类网络文档，利用开源分词工具进行分词，完成文本预处理。文本预处理之后会产生很多的特征词，如果直接使用预处理后的特征词进行挖掘，不但会造成特征表示上的维度灾难，而且也得不到高质量的聚类结果。[4]因此，需要进一步开展特征提取，从而为后续的挖掘以及最终的聚类带来更好的效果。
本研究使用词频-逆文档频率TF-IDF[5]来计算信息类文档中特征词的权值，按权值大小排序，并选择TF-IDF值超过特定阈值的特征词作为初始特征。此外，由于同一个特征词在不同的技术文档中会重复出现且权值不同，故同一个特征词取最大的TF-IDF值作为权值，并进行去重处理形成初始特征集。
点互信息PMI是从信息论里的互信息概念衍生而来的[6]，这个指标常常用来衡量两个事物之间的相关性，如两个词。本研究使用PMI算法将信息类文档预处理语料作为输入，先通过频率计算词语的共现概率，然后再计算词语共现的标准化互信息值NMI，最后返回符合NMI阈值的特征词列表及PMI特征词共现列表。最终通过人工筛选初始特征词和PMI算法过滤得到的特征词，形成信息技术文本的特征集，完成特征提取工作。
Word2Vec是能把词语转化为多维词向量的模型，根据词语的上下文预测词向量。词向量由多维实数表示，虽然不能说明每一维度的实际含义，但它却蕴含了豐富的信息。由于训练时会根据前后就近位置预测词语，考虑了词语间的共现，所以它保持了同义词之间强的相关性。运用Word2Vec词向量模型训练信息类文档的文本语料，可以将其中的信息领域特征词转化为多维实数向量。与传统的空间向量模型相比，它考虑了词与词之间的共现，同义词所对应的词向量在多维空间中会更加接近，为后续更准确的挖掘工作做好了铺垫。
Word2Vec中有两个重要的算法模型：Skip-gram模型和CBOW模型。这两个模型都包含了三层，即输入层、投影层和输出层。CBOW模型是通过输入特征词上下文来预测特征词的空间向量;而Skip-gram模型则是通过输入特征词来预测特征词上下文的空间向量。[7]Skip-gram模型训练时间比CBOW模型要长，但在Skip-gram模型中，每个词都要受到周围词的影响，每个词在作为中心词的时候，都要进行次的预测、调整，这种多次的调整会使得词向量相对更加准确。因此，在对信息技术文档进行文本挖掘的过程中，选择Skip-gram模型进行词的向量化训练。
Skip-gram模型是将一个词语作为输入，来预测它周围的上下文。假设有一个句子结构为，Skip-gram模型就是通过输入来预测 的词向量。
基于K-Means和本体映射的信息技术文档聚类
K-Means是经典的划分聚类算法，算法的优点是时间复杂度低，聚类效果较好。因此，利用K-Means算法对经过向量化的特征词进行聚类，步骤如下：
①随机选择个簇类中心点;
②遍历所有数据点，把数据点划分到距离最近的一个簇类中;
③划分之后就有个簇，计算每个簇类中点的平均值作为新的簇类中心点;
④重复步骤②和③，直到聚类中心不再发生变化，或是迭代次数达到设定的值。
对K-Means聚类中的值的选择，可以依据基于误差平方和SSE的手肘法，计算公式如下：
其中，是第个簇，是中的样本点，是的质心即中所有样本的均值，SSE是所有样本的聚类误差，代表了聚类效果的好坏。在确定的取值后，使用K-Means聚类算法对从信息技术文档中提取出的特征进行聚类。
同时，通过整理和分析信息技术领域的基本概念及其相互关系，初步构建一个面向信息技术领域的本体。其中，本体的部分概念结构如上页图2所示。 利用聚类算法对特征聚类，得到一系列的特征簇类，进一步对簇类进行整理和分析，将簇类及其特征词映射到事先构建好的信息技术领域本体上（如图3）。
结束语
针对互联网上存在的大量与信息技术相关的专业文档，本研究提出一种基于Word2Vec模型和K-Means算法的聚类方法，能够实现对信息技术相关的网络文档的聚类。对经过预处理的文本，利用相对成熟的特征提取算法提取和过滤特征集合，然后利用Word2Vec模型进行特征词向量化处理，在此基础之上利用K-Means算法进行聚类。该方法实现了对互联网上不同来源和主题的技术文档的自动分类，对构建信息技术知识库和在线学习平台具有较强的支撑作用。
参考文献：
[1]乔少杰，韩楠，金澈清，等.基于Multi-Agent的分布式文本聚类模型[J].计算机学报，2018（08）：19-31.
[2]宋凯，李秀霞，赵思喆.基于CTM模型与K-means算法融合的文本聚类研究[J].情报理论与实践，2017（11）：135-138.
[3]周练.Word2vec的工作原理及应用探究[J].图书情报导刊，2015（02）：145-148.
[4]Chandrashekar G，Sahin F. A survey on feature selection methods[J].Computers & Electrical Engineering，2014（01）：16-28.
[5]Salton G. The SMART retrieval system-experiments in automatic document processing[M].Prentice-hall，Inc Upper Saddle River，1971.
[6]Vergara J R，Estevez P A. A review of feature selection methods based on mutual information[J].Neural computing and applications，2014，24（01）：175-186.
[7]Mikolov T，Chen K，Corrado G，et al.Efficient estimation of word rep-resentations in vector space[J].Computer Science，2013.
基金項目：浙江省高校“十三五”优势专业建设项目（120801，电子商务），浙江工商大学2019年度校高等教育研究课题（xgy19024）资助。
转载注明来源:https://www.xzbu.com/9/view-15181071.htm
