夏晶晶 ，朱顥東

(1.鄭州牧業(yè)工程高等專科學(xué)校 信息工程系，河南 鄭州 450011 2.中國(guó)科學(xué)院成都計(jì)算機(jī)應(yīng)用研究所，四川 成都 610041)

文本分類系統(tǒng)通常采用特征集來(lái)表示文檔，這使得特征向量的維數(shù)非常大，有時(shí)會(huì)達(dá)到數(shù)十萬(wàn)維。如此高維的特征對(duì)于后續(xù)的分類過(guò)程未必全都重要、有益，而且高維的特征可能會(huì)大大增加分類的計(jì)算量，使整個(gè)處理過(guò)程的效率降低，可能產(chǎn)生與小得多的特征子集相似的分類結(jié)果[1]。因此，必須對(duì)文檔的特征向量進(jìn)一步凈化處理，在保持原文含義的基礎(chǔ)上，找出既能反映文本內(nèi)容，又比較簡(jiǎn)潔的特征向量，特征選擇就是為解決上述問(wèn)題而產(chǎn)生的一個(gè)關(guān)鍵選擇方法。該方法不僅能夠解決上述問(wèn)題，而且在一定程度上還能消除噪聲詞語(yǔ)，使文本之間的相似度更加準(zhǔn)確，既提高了語(yǔ)義上相關(guān)文本之間的相似度，同時(shí)降低了語(yǔ)義上不相關(guān)的文本之間的相似度[2]。

本文首先分析了幾種經(jīng)典的特征選擇方法，提出了特征辨別能力的概念，緊接著把分形維數(shù)引入粗糙集并提出了一個(gè)基于分形維數(shù)的屬性約簡(jiǎn)算法，最后把該約簡(jiǎn)算法與特征辨別能力結(jié)合起來(lái)，提出了一個(gè)綜合的特征選擇方法。該方法首先利用特征辨別能力進(jìn)行特征初選以過(guò)濾掉一些詞條來(lái)降低特征空間的稀疏性，然后利用所提屬性約簡(jiǎn)算法消除冗余，從而使得選擇的特征子集具有較低的冗余性、較好的代表性。

1 幾種經(jīng)典特征選擇方法

目前常用的文本特征選擇方法有 DF、WF、IG、CHI、MI等[3-9]。

1.1 文檔頻DF(Document Frequency)

特征的文檔頻是指在訓(xùn)練語(yǔ)料集中出現(xiàn)該特征的文檔數(shù)。該方法選擇特征時(shí)僅考慮特征所在的文檔數(shù)，如果某個(gè)特征在訓(xùn)練語(yǔ)料集中所在的文檔數(shù)達(dá)到一個(gè)事先給定的閾值，則留下該特征，否則刪除。該方法的缺點(diǎn)在于僅考慮特征詞在文檔中出現(xiàn)與否，忽視了特征在文檔中出現(xiàn)的次數(shù)。于是產(chǎn)生了一個(gè)問(wèn)題：如果特征詞a和b的文檔頻相同，那么該方法就認(rèn)為這兩個(gè)特征詞的貢獻(xiàn)是相同的，而忽略了它們?cè)谖臋n中出現(xiàn)的次數(shù)。但是，通常情況是文檔中出現(xiàn)次數(shù)較少的詞是噪聲詞，這樣就導(dǎo)致該方法所選擇的特征不具代表性。

1.2 詞頻WF(Word Frequency)

特征的詞頻是指特征在文檔中出現(xiàn)的數(shù)目。使用該方法選擇特征時(shí)，特征只有在文檔中出現(xiàn)的次數(shù)達(dá)到一個(gè)閾值時(shí)，才被保留，否則予以刪除。該方法的缺點(diǎn)在于僅選擇出現(xiàn)頻繁的詞作為特征，但是有時(shí)候在某個(gè)文檔中出現(xiàn)頻繁的特征對(duì)分類貢獻(xiàn)并不大。

1.3 信息增益IG(Information Gain)

信息增益是指特征在某類文檔中出現(xiàn)前后的信息熵之差，該差用平均信息量表示。信息增益的缺點(diǎn)在于不但考慮了特征出現(xiàn)的情況，而且還考慮了特征未出現(xiàn)的種情況。即使某個(gè)特征不在文本中出現(xiàn)也可能對(duì)判斷文本類別有所貢獻(xiàn)，但實(shí)驗(yàn)證明，這種貢獻(xiàn)十分微小，尤其是在樣本分布和特征分布失衡的情況下，某些類別中出現(xiàn)的特征詞在全部特征詞的比例很小，較大比例的特征詞在這些類別中是不存在的，也就是此時(shí)的信息增益中特征不出現(xiàn)的部分占絕大優(yōu)勢(shì)，這將導(dǎo)致信息增益的效果大大降低。

2 特征辨別能力

如果一個(gè)特征對(duì)某個(gè)類的貢獻(xiàn)較大，那么該特征對(duì)這個(gè)類的辨別能力應(yīng)該較強(qiáng)。為此，本文定義了特征對(duì)類別的辨別能力，簡(jiǎn)稱特征辨別能力。

定義1 特征辨別能力 表示特征fi對(duì)類別ci的辨別能力，用 Feature-Distinguishability(fi，ci)表示。 由于一個(gè)類別的特征詞有多個(gè)，因此可用以下公式來(lái)表示特征辨別能力：

其中 m為屬于類別 cj的特征個(gè)數(shù)，DFn(fi，cj)為在類別cj的文本訓(xùn)練集中出現(xiàn)特征fi的次數(shù)不小于n的文本 數(shù) 。 經(jīng) 分 析 可 知 ，F(xiàn)eature-Distinguishability(fi，cj)不 但 考慮了特征出現(xiàn)的文檔數(shù)，而且還考慮了特征在文檔中出現(xiàn)的次數(shù)，把文檔頻和詞頻進(jìn)行了有機(jī)的結(jié)合。Feature-Distinguishability(fi，cj)越大則表明特征 fi對(duì)類別 cj的辨別能力也就越大，那么該特征的分類能力也就越強(qiáng)，即該特征也就越重要。

3 本文屬性約簡(jiǎn)算法

粗糙集 RS(Rough Sets)理論是由 PAWLAK Z在 20世紀(jì)80年代初提出來(lái)的一種新的處理不精確、不相容、不完全和不確定知識(shí)的軟計(jì)算工具。其本質(zhì)就是在保持分類能力不變的前提下，通過(guò)知識(shí)約簡(jiǎn)導(dǎo)出問(wèn)題的分類規(guī)則[10]。目前RS己被廣泛應(yīng)用于機(jī)器學(xué)習(xí)、決策分析、數(shù)據(jù)挖掘、過(guò)程控制、智能信息處理等領(lǐng)域[11]。

屬性約簡(jiǎn)是粗糙集的核心內(nèi)容之一，現(xiàn)已出現(xiàn)了大量的屬性約簡(jiǎn)算法，例如以屬性重要度為基礎(chǔ)的屬性約簡(jiǎn)算法[9]、以信息論為基礎(chǔ)的屬性約簡(jiǎn)算法[12]。但是這些約簡(jiǎn)算法執(zhí)行效率低且不一定能夠得到最小約簡(jiǎn)?；诜中尉S數(shù)的屬性約簡(jiǎn)算法可以有效地改變這一狀況[13-14]。本文利用數(shù)據(jù)集的分形維數(shù)進(jìn)行屬性約簡(jiǎn)。

3.1 相關(guān)基本知識(shí)[15]

如果一個(gè)數(shù)據(jù)集在所有的觀察尺度下都具有自相似性，即一個(gè)數(shù)據(jù)集的部分分布有著與整體分布相似的結(jié)構(gòu)或特征，則稱該數(shù)據(jù)集是分形的。

定義2 嵌入維 數(shù)據(jù)集中的數(shù)據(jù)點(diǎn)所在歐式空間的維數(shù)稱為數(shù)據(jù)集的嵌入維，即一個(gè)數(shù)據(jù)集中屬性的個(gè)數(shù)。

定義3 固有維 一個(gè)數(shù)據(jù)集的固有維是指一個(gè)數(shù)據(jù)集所表示的空間對(duì)象的實(shí)際維數(shù)。

一般地說(shuō)，空間對(duì)象的維數(shù)(固有維)不會(huì)超過(guò)所在歐式空間的維數(shù)(嵌入維)。例如，所有歐氏空間的直線不論嵌入維是二維或是三維，其固有維都是一維的。

定義4分形維 嵌入維數(shù)等于n的數(shù)據(jù)集可視為n維空間中的點(diǎn)。用邊長(zhǎng)為 r(r∈(r1，r2))的n維立方體分割數(shù)據(jù)集，記落入第i個(gè)立方體中的數(shù)據(jù)點(diǎn)的數(shù)目為Ci。則分形維Dq計(jì)算如下：

其中D0稱為分形維；當(dāng)q趨近于1時(shí)，D1稱為信息分形維；當(dāng)q=2時(shí)，D2稱為相關(guān)分形維。D2描述了隨機(jī)選擇的兩個(gè)數(shù)據(jù)點(diǎn)的距離落在某一范圍內(nèi)的概率，因此相關(guān)分形維D2的改變意味著數(shù)據(jù)集中數(shù)據(jù)點(diǎn)分布的變化。在實(shí)際應(yīng)用中，計(jì)算數(shù)據(jù)集的相關(guān)分形維幾乎是不可能的，計(jì)盒維數(shù)常被用來(lái)近似估計(jì)相關(guān)分形維數(shù)。

3.2 基于分形維數(shù)的屬性約簡(jiǎn)算法

決策表 S=＜U，A=C∪D，V，f＞其中 U 可以看作E=|C∪D|維空間中的點(diǎn)集，可用于區(qū)分?jǐn)?shù)據(jù)對(duì)象的屬性數(shù)目不超過(guò)E。由此，可以通過(guò)計(jì)算E維空間中的點(diǎn)集的分形維來(lái)估計(jì)S應(yīng)包含的最少屬性數(shù)?？赏ㄟ^(guò)兩個(gè)計(jì)算步驟來(lái)約簡(jiǎn)S的屬性集：(1)計(jì)算包括所有E個(gè)屬性的分形維，稱為WFD(全分形維)；(2)剔除其中的一個(gè)屬性，再計(jì)算剩余的E-1個(gè)屬性的分形維，稱為PFD(部分分形維)，共計(jì)算出 E 個(gè)部分分形維 PFDi，i=1，2，…，E，從這些部分分形維中選擇最接近WFD的PFDi將其對(duì)應(yīng)的aj刪除，同時(shí)令 WFD=PFDi在 A=A-{aj}中繼續(xù)上述的步驟，直到剩余屬性數(shù)目與S的分形維數(shù)相同。具體算法描述如下：

(1)計(jì)算出決策表S的計(jì)盒維數(shù)WFD；令WFD0=WFD。

(2)?ai∈A，計(jì)算 U 在 A-{ai}上的 PFDi。

(3)從 PFD1，… ，PFD|A|中 選 擇 最 接 近 WFD的 一 個(gè)PFDj，令 WFD=PFDj，A=A-{aj}。

(4)如果|A|＞W(wǎng)FD0+1，則轉(zhuǎn)(2)。

(5)輸出 A，算法結(jié)束。

在該算法中，計(jì)算有N個(gè)元組的決策表的分形維的時(shí)間復(fù)雜度為O(N×N)；從|A|個(gè)屬性中選擇一個(gè)屬性并剔除需要掃描|A|次對(duì)象集 U，如果剔除 K(K＜|A|)個(gè)屬性，則需要掃描(K×(2|A|l-K+1))/2次，所以整個(gè)算法的時(shí)間復(fù)雜度為 O(|A|×K×N×N)。

4 本文特征選擇方法基本步驟

設(shè)T為原始特征集，C為類別集，對(duì)于?cj∈C，設(shè) cj的訓(xùn)練文檔集為DSj，其原始特征集Tj=T，cj的特征詞選擇算法如下：

對(duì)于每個(gè)fi∈Tj，給定最小詞頻數(shù)n以及特征辨別能力閾值ω。

(1)計(jì)算 fi的 Feature-Distinguishability(fi，cj)。

(2)若 Feature-Distinguishability(fi，cj)＜ω 則 把 fi從 Tj中刪除，否則fi保留。

(3)若Tj中還存在沒(méi)考察的元素則轉(zhuǎn)到步驟(1)。

(4)若C中還存在沒(méi)考察的類別則轉(zhuǎn)到步驟(1)。

(5)將上述各類別所選的特征合并為1個(gè)特征集。

(6)將步驟(5)得到的特征集以及標(biāo)有類的訓(xùn)練集組成一個(gè)決策表:S=＜U，R=C∪D，V，f＞， 使用本文提出的屬性約簡(jiǎn)算法進(jìn)行屬性約簡(jiǎn)。

(7)對(duì)得到的特征子集進(jìn)行微調(diào)，以突出那些對(duì)分類貢獻(xiàn)比較大的特征詞，然后輸出特征集。

5 實(shí)驗(yàn)例證

5.1 實(shí)驗(yàn)語(yǔ)料庫(kù)

進(jìn)行文本分類方面的實(shí)驗(yàn)，語(yǔ)料庫(kù)的選擇是非常重要的，選擇的原則是國(guó)內(nèi)外使用廣泛、權(quán)威標(biāo)準(zhǔn)和規(guī)范。這樣使得實(shí)驗(yàn)和國(guó)內(nèi)外同行的試驗(yàn)結(jié)果具有可比性，同時(shí)也便于分析實(shí)驗(yàn)數(shù)據(jù)、算法的優(yōu)劣。

在中文文本分類方面，經(jīng)過(guò)分析、比較，本文選用的分類語(yǔ)料庫(kù)是復(fù)旦大學(xué)中文文本分類語(yǔ)料庫(kù)。語(yǔ)料文檔全部采自互聯(lián)網(wǎng)，可以從網(wǎng)上免費(fèi)下載，網(wǎng)址為：http://www.nlp.org.cn/categories/default.php?cat_id=16。復(fù)旦大學(xué)中文文本分類語(yǔ)料庫(kù)中包含20個(gè)類別，分為訓(xùn)練文檔集和測(cè)試文檔集兩個(gè)部分。每個(gè)部分都包括20個(gè)子目錄，相同類別的文檔存放在一個(gè)對(duì)應(yīng)的子目錄下；每個(gè)存儲(chǔ)文件只包含1篇文檔，所有文檔均以文件名作為唯一編號(hào)。共有19 637篇文檔，其中訓(xùn)練文檔9 804篇，測(cè)試文檔9 833篇；訓(xùn)練文檔和測(cè)試文檔基本按照1:1的比例來(lái)劃分。去除部分重復(fù)文檔和損壞文檔后，共保留有文檔14 378篇，其中訓(xùn)練文檔8 214篇，測(cè)試文檔6 164篇，跨類別的重復(fù)文檔沒(méi)有考慮，即一篇文檔只屬于一個(gè)類別。該語(yǔ)料庫(kù)中的文檔的類別分布不均勻。其中，訓(xùn)練文檔最多的類Economy有1 369篇訓(xùn)練文檔，而訓(xùn)練文檔最少的類Communication有25篇訓(xùn)練文檔；同時(shí)，訓(xùn)練文檔數(shù)少于100篇的稀有類別共有11個(gè)。訓(xùn)練文檔集和測(cè)試文檔集之間互不重疊。本文只取前10個(gè)類的部分文檔，其類別文檔分布如表1所示。

表1 文檔分布

5.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

實(shí)驗(yàn)設(shè)備是一臺(tái)普通計(jì)算機(jī)：操作系統(tǒng)為Microsoft Windows XP Professional(SP2)，CPU 規(guī) 格 為 Intel(R)Celeron(R)CPU 2.40 GHz，內(nèi)存 512 MB，硬盤 80 GB。

進(jìn)行中文分詞處理時(shí)，采用的是中科院計(jì)算所開源項(xiàng)目“漢語(yǔ)詞法分析系統(tǒng)ICTCLAS”系統(tǒng)。

實(shí)驗(yàn)使用的軟件工具是Weka，這是新西蘭的Waikato大學(xué)開發(fā)的數(shù)據(jù)挖掘相關(guān)的一系列機(jī)器學(xué)習(xí)算法。實(shí)現(xiàn)語(yǔ)言是Java軟件可以直接調(diào)用，也可以在代碼中調(diào)用。Weka包括數(shù)據(jù)預(yù)處理、分類、回歸分析、聚類、關(guān)聯(lián)規(guī)則、可視化等工具，對(duì)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的研究工作很有幫助。

本算法中各參數(shù)需要反復(fù)試驗(yàn)各參數(shù)最后設(shè)置如下：n=3，ω=0.09。

5.3 實(shí)驗(yàn)所用分類器及其評(píng)價(jià)標(biāo)準(zhǔn)

本實(shí)驗(yàn)旨在比較本文方法與信息增益(IG)、X2統(tǒng)計(jì)量(CHI)、互信息(MI)三種特征選擇方法對(duì)后續(xù)文本分類精度的影響，因此實(shí)驗(yàn)采用相同的分類器對(duì)文本進(jìn)行分類。實(shí)驗(yàn)中使用KNN分類器來(lái)比較這幾種特征選擇方法(K設(shè)置為 10)。

為了評(píng)價(jià)實(shí)驗(yàn)效果，實(shí)驗(yàn)中選擇分類正確率和召回率作為評(píng)價(jià)標(biāo)準(zhǔn)：準(zhǔn)確率=a/(a+b)，作為所判斷的文本與人工分類文本吻合的文本所占的比率；召回率=a/(a+c)，作為人工分類結(jié)果應(yīng)有的文本與分類系統(tǒng)吻合的文本所占的比率。在實(shí)際應(yīng)用中，查準(zhǔn)率比查全率重要。其中a、b、c代表相應(yīng)的文檔數(shù)，其含義如表2所示。

5.4 實(shí)驗(yàn)結(jié)果

圖1、圖2表明了四種方法在所選數(shù)據(jù)集上的分類準(zhǔn)確率和召回率，從總體上看，本文方法＞IG＞CHI＞MI。由于本方法首先利用特征辨別能力進(jìn)行特征初選以過(guò)濾掉一些詞條來(lái)降低特征空間的稀疏性，然后利用所提屬性約簡(jiǎn)算法消除冗余，從而獲得較具代表性的特征子集，所以效果最佳；由于IG方法受樣本分布影響，在樣本分布不均勻的情況下，其效果就會(huì)大大降低，但從整體上看本文所選樣本分布相對(duì)均勻，只有極個(gè)別相差較大，所以總體效果次之；MI方法僅考慮了特征發(fā)生的概率；而CHI方法同時(shí)考慮了特征存在與不存在時(shí)的情況，所以CHI方法比MI方法效果要好?？傮w來(lái)說(shuō)，本文所提的方法是有效的，在文本分類中有一定的實(shí)用價(jià)值。

表2 二值聯(lián)表

本文首先簡(jiǎn)單分析了幾種經(jīng)典的特征選擇方法，總結(jié)了它們的不足，然后提出了特征辨別能力的概念，緊接著把分形維數(shù)引入粗糙集，并提出了一個(gè)基于分形維數(shù)的屬性約簡(jiǎn)算法，最后把該屬性約簡(jiǎn)算法與特征辨別能力結(jié)合起來(lái)，提出了一個(gè)綜合的特征選擇方法。由于該方法首先利用特征辨別能力進(jìn)行特征初選以過(guò)濾掉一些詞條來(lái)降低特征空間的稀疏性，然后利用所提屬性約簡(jiǎn)算法消除冗余，從而獲得較具代表性的特征子集。實(shí)驗(yàn)證明，本文特征選擇方法與三種經(jīng)典特征選擇方法“互信息”、“x2統(tǒng)計(jì)量”以及信息增益相比，具有較高的準(zhǔn)確率和召回率，為后續(xù)的知識(shí)發(fā)現(xiàn)算法減少了時(shí)間與空間復(fù)雜性，從而使得本方法在文本分類中有一定的使用價(jià)值。

[1]DELGADO M，MARTIN M J，SANCHEZ D，et al.Mining text data:special features and patterns[A].In proceedings of ESF exploratory workshop[C].London:U.K， Sept， 2002，32-38.

[2]申紅，呂寶糧，內(nèi)山將夫，等.文本分類的特征提取方法比較與改進(jìn)[J].計(jì)算機(jī)仿真，2006，23(3):221-224.

[3]朱顥東，鐘勇.一種新的基于多啟發(fā)式的特征選擇算法[J].計(jì)算機(jī)應(yīng)用，2009，29(3):849-851.

[4]YANG Y，PEDERSEN J O.A comparative study on feature selection in text categorization[A].In:Fisher DH，ed.Proc.of the 14th Int’l Conf.on Machine Learning(ICML’97)[C].Nashville:Morgan Kaufmann Publishers，1997:412-420.

[5]張海龍，王蓮芝.自動(dòng)文本分類特征選擇方法研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2006，27(20)：3838-3841.

[6]宋楓溪，高秀梅，劉樹海.統(tǒng)計(jì)模式識(shí)別中的維數(shù)削減與低損降維[J].計(jì)算機(jī)學(xué)報(bào)，2005，28(10):1915-1922.

[7]周茜，趙明生，扈曼，等.中文文本分類中的特征選擇研究[J].中文信息學(xué)報(bào)，2004，18(3)：17-23.

[8]胡佳妮，徐蔚然，郭軍，等.中文文本分類中的特征選擇算法研究[J].光通訊研究，2005(3)：44-46.

[9]寇蘇玲，蔡慶生.中文文本分類中的特征選擇研究[J].計(jì)算機(jī)仿真，2007，24(3):289-291.

[10]胡壽松，何亞群.粗糙決策理論與應(yīng)用[M].北京:北京航空航天大學(xué)出版社，2006.

[11]LIANG Ji Ye， CHIN K S， CHUANGYIN D， et al.A new method for measuring uncertainty and fuzziness in rough set theory[J].International Journal of General Systems， 2002，31(4):331-342.

[12]柴慧芳.粗糙集下基于信息熵的知識(shí)約簡(jiǎn)算法研究[D].昆明：昆明理工大學(xué)，2007.

[13]TRAINA C， TRAINA A， WU L， et al.Fast feature selection using fractal Dimension[A].In:C.Faloutsos，ed.Proc.of XV brazilian symposium on Databases， Paraila，Brazil:Springer，2000:78-90.

[14]YAN Guang Hui， LI Zhan Huai， YUAN Liu.The practical method of fractal dimensionality reduction based on Z-ordering technique[C]//LI X，ZAIANE O R，LI Z.Proceedings of the Second International Conference on Advanced Data Mining and Applications.Berlin Heidelberg:Springer-Verlag，2006:542-549.

[15]楊光俊.分形的數(shù)學(xué)[M].昆明:云南大學(xué)出版社，2002.