馬琳琳，劉 繼

(新疆財(cái)經(jīng)大學(xué)，新疆 烏魯木齊 830012)

一、引言

2017年10月18日至24日，中國共產(chǎn)黨第十九次全國代表大會(huì)在北京勝利召開。習(xí)近平代表第十八屆中央委員會(huì)向大會(huì)作了題為《決勝全面建成小康社會(huì) 奪取新時(shí)代中國特色社會(huì)主義偉大勝利》的報(bào)告，對當(dāng)前我國發(fā)展提出了許多新的觀點(diǎn)和舉措，是一篇對統(tǒng)一全黨思想認(rèn)識(shí)、帶領(lǐng)全國各族人民決勝全面建成小康社會(huì)、奪取新時(shí)代中國特色社會(huì)主義偉大勝利有著重要指導(dǎo)意義的綱領(lǐng)性文獻(xiàn)。深入解讀黨的十九大報(bào)告，準(zhǔn)確理解和把握報(bào)告中提出的新思想新論斷新舉措，不僅可以從思想上武裝自己，提高自身思想理論水平，同時(shí)也可為實(shí)際工作提供正確指導(dǎo)。

大數(shù)據(jù)時(shí)代下，經(jīng)濟(jì)社會(huì)的各種數(shù)據(jù)化特征和發(fā)展態(tài)勢使得數(shù)據(jù)格式已由簡單的數(shù)字?jǐn)?shù)據(jù)轉(zhuǎn)變?yōu)槎鄻踊臄?shù)據(jù)格式，面對類型繁多的數(shù)據(jù)，如何提高多類型數(shù)據(jù)的處理能力以及如何通過強(qiáng)大的軟件算法更迅速地完成對海量數(shù)據(jù)的價(jià)值挖掘和質(zhì)量提純，已成為大數(shù)據(jù)時(shí)代下亟待解決的一大難題。云計(jì)算和互聯(lián)網(wǎng)的快速發(fā)展產(chǎn)生了大量的文本信息，文本數(shù)據(jù)量的快速增長以及文本數(shù)據(jù)結(jié)構(gòu)的特殊性等因素，均在數(shù)據(jù)處理上給我們帶來了新的問題。如何利用數(shù)據(jù)挖掘中的方法對文本數(shù)據(jù)進(jìn)行有效的整合分析，幫助使用者從文本數(shù)據(jù)中發(fā)掘潛在信息，這是當(dāng)前數(shù)據(jù)挖掘領(lǐng)域面臨的一大挑戰(zhàn)；與此同時(shí)，數(shù)據(jù)挖掘中的文本分析也得到了學(xué)者的廣泛關(guān)注。

文本分析作為數(shù)據(jù)挖掘中的新領(lǐng)域，它可以從海量的、結(jié)構(gòu)特殊的文本信息中量化數(shù)據(jù)，發(fā)現(xiàn)內(nèi)在信息，并從中抽取出有效的信息。借鑒既有研究，本文對文本分析定義如下：文本分析是指通過文本處理，把從大量的文本數(shù)據(jù)中抽取出的特征詞進(jìn)行量化來表示文本信息，產(chǎn)生高質(zhì)量的最終可用信息的過程。在文本分析中，首先需要對文本中的詞語進(jìn)行分析，即完成“文本→詞語”的轉(zhuǎn)換；然后通過引入詞向量，對語義維度進(jìn)行合理定義，將對文本的分析轉(zhuǎn)化為對詞語語義的分析，這樣就能有效地對文本內(nèi)蘊(yùn)含的潛在信息進(jìn)行分析。它從詞的角度上量化觀測文本內(nèi)容，使得文本內(nèi)容可以初步由機(jī)器進(jìn)行量化分析計(jì)算，以便較快地把握文本的主旨意義并挖掘文本的潛在信息。因此，利用文本分析方法可以較好地分析黨的十九大報(bào)告中的文本數(shù)據(jù)。本文使用詞向量和關(guān)聯(lián)規(guī)則，采用數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則挖掘方法，對黨的十九大報(bào)告文本進(jìn)行分詞處理，構(gòu)建文本中關(guān)鍵詞的詞向量矩陣，進(jìn)行關(guān)鍵詞相關(guān)性分析，實(shí)現(xiàn)對文本信息的深度挖掘，以期為深入解讀黨的十九大報(bào)告提供文本量化技術(shù)支持。

二、文本分析方法

基于數(shù)據(jù)挖掘的文本分析現(xiàn)已成為許多學(xué)者的熱點(diǎn)研究對象，目前的文本挖掘方法有很多[1]，如聚類、分類和關(guān)聯(lián)規(guī)則等。聚類是無指導(dǎo)的學(xué)習(xí)過程，能夠不依賴預(yù)先定義的類進(jìn)行分析，數(shù)據(jù)挖掘中的聚類分析[2]在文本分析中的應(yīng)用是十分廣泛的，文本聚類分析已成為數(shù)據(jù)挖掘領(lǐng)域的一個(gè)重要研究分支。文本聚類分析常用的方法一般有K-means、K-modes以及它們的改進(jìn)優(yōu)化算法。有學(xué)者基于組合神經(jīng)網(wǎng)絡(luò)的商品屬性聚類分析方法，并運(yùn)用word2vec對商品評論進(jìn)行情感分析以幫助商家及時(shí)改進(jìn)營銷策略[3]，對潛在消費(fèi)者進(jìn)行消費(fèi)指導(dǎo)；有研究者運(yùn)用word2vec和SVMperf對中文評論進(jìn)行情感分類研究[4]，并利用有監(jiān)督的機(jī)器學(xué)習(xí)方法對文本數(shù)據(jù)進(jìn)行情感分類；還有研究者利用不同度量距離作為詞語間的相似度，使用K-means聚類以達(dá)到提高文本聚類質(zhì)量的目的[5]。

分類與聚類相反，它是有指導(dǎo)的學(xué)習(xí)過程，使用分類方法進(jìn)行文本分析也是常見模式。文本分類分析的方法有許多，常見的有樸素貝葉斯(Naive Bayes)、Logistic回歸(Logistic Regression)、決策樹(Decision)和支持向量機(jī)(Support Vector Machine,SVM)等方法。有研究者針對中文文本數(shù)據(jù)，通過分析不同的文本特征，比較Logistic回歸模型中的分類器與SVM中的文本分類器性能的差別，證明了Logistic回歸在文本分類上的有效性[6]。在分類分析中，樸素貝葉斯算法是貝葉斯算法中一種極其經(jīng)典的算法，受到眾多研究者的關(guān)注，經(jīng)改進(jìn)性能逐步提高的樸素貝葉斯算法已經(jīng)成為分類算法中的一個(gè)重要研究分支。例如有研究者利用改進(jìn)的樸素貝葉斯算法，實(shí)現(xiàn)了對論壇中評論的分類；還有研究者將貝葉斯算法與決策樹結(jié)合使用，綜合了決策樹中ID3算法對網(wǎng)頁檢測精度高和樸素貝葉斯分類器對文本內(nèi)容分類精度高的優(yōu)點(diǎn)，實(shí)現(xiàn)了對垃圾網(wǎng)頁的有效過濾。

關(guān)聯(lián)規(guī)則也是數(shù)據(jù)挖掘中的一種重要方法，它在數(shù)據(jù)處理上具有方法簡單且十分實(shí)用的優(yōu)點(diǎn)，許多研究者利用關(guān)聯(lián)規(guī)則算法對數(shù)據(jù)進(jìn)行預(yù)處理，以便發(fā)掘數(shù)據(jù)之間的內(nèi)在關(guān)系。目前，關(guān)聯(lián)規(guī)則已被廣泛應(yīng)用于文本數(shù)據(jù)分析研究中。有研究者使用關(guān)聯(lián)規(guī)則對文本數(shù)據(jù)進(jìn)行分析[7-8]，從而發(fā)現(xiàn)與其關(guān)心的特定事物有相關(guān)關(guān)系的其他事物，或?yàn)楹罄m(xù)研究提供幫助；還有研究者將主題模型與關(guān)聯(lián)規(guī)則分析方法相結(jié)合，以實(shí)現(xiàn)對文本主題更深層次的挖掘[9]。

本文基于關(guān)聯(lián)規(guī)則對黨的十九大報(bào)告進(jìn)行關(guān)鍵詞相關(guān)性分析。首先從新華網(wǎng)獲取黨的十九大報(bào)告的原始文本數(shù)據(jù)，利用自然語言分詞工具對報(bào)告進(jìn)行分詞處理,對分詞后的文本內(nèi)容提取關(guān)鍵詞[7],并對報(bào)告中的段落進(jìn)行詞頻計(jì)算,進(jìn)而得到各段落中的高頻詞。然后根據(jù)研究需要構(gòu)造詞語相似度矩陣，并根據(jù)高頻詞繪制標(biāo)簽詞云。最后通過關(guān)聯(lián)規(guī)則挖掘，揭示報(bào)告中各關(guān)鍵詞之間的潛在聯(lián)系，同時(shí)結(jié)合報(bào)告原文進(jìn)行分析得到有益啟示，以期為進(jìn)一步深入學(xué)習(xí)研究黨的十九大精神提供幫助。

三、文本分析模型

(一) word2vec模型

語言模型是根據(jù)語言客觀事實(shí)而進(jìn)行的語言抽象數(shù)字建模，是用于計(jì)算一個(gè)句子概率的模型。在典型的神經(jīng)網(wǎng)絡(luò)語言模型(Neural Network Language Model)中，詞是以向量形式表示的，兩個(gè)語義相似的詞所對應(yīng)的向量也是相似的，這樣就可以利用神經(jīng)網(wǎng)絡(luò)來訓(xùn)練詞向量以及處理詞與詞之間的關(guān)系。一般多采用經(jīng)典的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分別為輸入層(Input Layer)、隱藏層(Hidden Layer)和輸出層(Output Layer)，且一般分為CBOW和Skip-gram兩種模型。

word2vec模型[3-4]的基本思想就來源于神經(jīng)網(wǎng)絡(luò)語言模型，word2vec也使用了CBOW與Skip-gram這兩種模型，同時(shí)使用霍夫曼樹來替代隱藏層與輸出層。word2vec模型通過分析文本中蘊(yùn)含的信息預(yù)測當(dāng)前詞語的思想來生成詞向量，是一種針對海量文本數(shù)據(jù)并從中以無指導(dǎo)學(xué)習(xí)發(fā)掘語義知識(shí)的模型。word2vec可以在百萬數(shù)量級的數(shù)據(jù)集上進(jìn)行高效訓(xùn)練，得到的結(jié)果是可以很好地度量詞與詞之間相似性的詞向量，即通過構(gòu)造多維空間使得語義接近的詞語在該空間中距離也接近，進(jìn)而通過詞向量間距離的度量來表示詞語間的相似度，可以解決在文本挖掘中語義相近的不同詞語所帶來的分析難題?；谶@些特點(diǎn)，研究人員可以利用得到的數(shù)量化的詞向量計(jì)算出這些詞語與用于研究分析的詞語之間的相似度，進(jìn)而將文本數(shù)據(jù)數(shù)量化，為后續(xù)其他分析方法的展開提供基礎(chǔ)。

(二)TFIDF模型

在對文本數(shù)據(jù)進(jìn)行分析研究時(shí)，不論研究的目的與需求是什么，首要的工作都是對文本進(jìn)行數(shù)據(jù)預(yù)處理，包括對文本數(shù)據(jù)進(jìn)行分詞處理、特征選擇與權(quán)重計(jì)算等，將文本數(shù)據(jù)量化為計(jì)算機(jī)算法可以使用的數(shù)據(jù)，隨后才能對數(shù)據(jù)進(jìn)行各種需求的分析。對中文文本進(jìn)行分詞處理是文本挖掘工作的基礎(chǔ)，完成分詞操作以后，計(jì)算機(jī)才能識(shí)別語句的基本詞，進(jìn)而才能根據(jù)詞的分布情況進(jìn)行文本分析與部分語義分析。特征選擇與權(quán)重計(jì)算則可以將以人類閱讀理解為目的的文本轉(zhuǎn)變?yōu)橛?jì)算機(jī)能夠識(shí)別的數(shù)據(jù)模式。在實(shí)際文本處理中，數(shù)據(jù)預(yù)處理的權(quán)重計(jì)算方法有許多，例如熵函數(shù)、對數(shù)函數(shù)、頻度函數(shù)、開根號函數(shù)及TFIDF函數(shù)，其中TFIDF是一種較為簡單且經(jīng)典的詞語權(quán)重算法，它具有思想簡潔和準(zhǔn)確率高等優(yōu)點(diǎn)，不斷改進(jìn)優(yōu)化的TFIDF模型一直備受研究人員的青睞。

TFIDF(Term Frequency Inverse Document Frequency )是一種用于文本挖掘的加權(quán)統(tǒng)計(jì)方法[8]，它是用來衡量一個(gè)詞語對某個(gè)文本重要程度的方法。TFIDF的主要思想是：假設(shè)某個(gè)詞語在指定文本中出現(xiàn)的頻率很大，并且在文本集的其他文本中很少出現(xiàn)，就可以認(rèn)為這個(gè)詞語是指定文本的關(guān)鍵詞，可以用來作分類或作為標(biāo)簽使用。使用TFIDF可以過濾掉文本中常見的詞語，保留對研究分析有重要意義的詞語，這可在很大程度上縮小文本詞空間，以便更有效地對文本進(jìn)行主要特征分析。TFIDF被廣泛應(yīng)用于搜索引擎、文獻(xiàn)分類以及其他領(lǐng)域的實(shí)際運(yùn)用中，是一種基礎(chǔ)的信息檢索模型。

在TFIDF模型中，詞頻(Term Frequency，TF)指的是某一個(gè)給定的詞語在該文本中出現(xiàn)的頻率。逆向文件頻率(Inverse Document Frequency，IDF)用來度量一個(gè)詞語的普遍重要性，計(jì)算在文檔集中包含某指定詞語的文檔數(shù)量，數(shù)量越小代表這個(gè)詞語越能代表指定的文本。

對于文檔集中指定的文本，某個(gè)詞語ti的TF值可表示為：

(1)

上式分子中的ni，j是這個(gè)詞語ti在指定文本dj中出現(xiàn)的次數(shù)，而分母是文本dj中所有字詞出現(xiàn)的次數(shù)之和。

用總文本數(shù)除以包含該詞語的文本數(shù)，再將得到的結(jié)果取對數(shù)即可得出該詞語ti的IDF值，即：

(2)

其中|D|是文檔集中文本的數(shù)量，|{j∶tidj}|是含有該詞語ti的文本數(shù)量。

TFIDF的計(jì)算公式如下：

tidi,j=ti,j×idi

(3)

(三)關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則最初是研究人員為了解決“購物籃”分析問題而提出的，這種關(guān)聯(lián)的發(fā)現(xiàn)可以幫助銷售者了解哪些商品被消費(fèi)者頻繁購買，從而幫助其制定更好的銷售策略[10]。如今信息的主要載體已經(jīng)由傳統(tǒng)的數(shù)字?jǐn)?shù)據(jù)轉(zhuǎn)變?yōu)榻Y(jié)構(gòu)特殊的文本數(shù)據(jù)，當(dāng)面對海量的文本數(shù)據(jù)時(shí)，針對“購物籃”問題所提出的關(guān)聯(lián)規(guī)則，可以用來對文本數(shù)據(jù)中的特定詞進(jìn)行相關(guān)性分析。

在關(guān)聯(lián)規(guī)則中，支持度(support)和置信度(confidence)[10]是用來描述結(jié)果的兩個(gè)重要指標(biāo),它們分別衡量分析結(jié)果中發(fā)現(xiàn)規(guī)則的有效性和確定性。最小支持度的值和最小置信度的值是根據(jù)不同的研究需求自主設(shè)定的。假設(shè)D為數(shù)據(jù)庫中的記錄總數(shù)，t為D的元素，I為t的真子集，則I的支持度如下：

(4)

關(guān)聯(lián)規(guī)則是類似于X→Y的規(guī)則形式，即規(guī)則X→Y在D中成立。

support(X→Y)=P(X∪Y)

(5)

P(X∪Y)表示規(guī)則X→Y在數(shù)據(jù)庫D中成立，具有支持度support(X→Y)，其中support(X→Y)是D中包含X∪Y的百分比，就是概率P(X∪Y)。

(6)

P(Y|X) 表示規(guī)則X→Y在數(shù)據(jù)庫D中具有置信度confidence(X→Y),這個(gè)置信度是D中同時(shí)包含X和Y的數(shù)據(jù)的百分比，就是條件概率P(Y|X) 。

使用關(guān)鍵詞進(jìn)行的文本關(guān)聯(lián)規(guī)則研究大致可以分為兩個(gè)步驟：一是使用文本挖掘算法得到文本中的關(guān)鍵詞；二是在由關(guān)鍵詞組成的頻繁項(xiàng)集中使用關(guān)聯(lián)規(guī)則方法以得出潛在規(guī)則。

四、實(shí)例分析

(一)數(shù)據(jù)來源

為保證研究的完整性和準(zhǔn)確性，本文研究的原始文本數(shù)據(jù)是從新華網(wǎng)上獲取的習(xí)近平在中國共產(chǎn)黨第十九次全國代表大會(huì)上所作的《決勝全面建成小康社會(huì) 奪取新時(shí)代中國特色社會(huì)主義偉大勝利》的報(bào)告。

(二)數(shù)據(jù)處理

本文在數(shù)據(jù)處理中使用了計(jì)算機(jī)程序設(shè)計(jì)語言Python和數(shù)據(jù)挖掘應(yīng)用程序平臺(tái)Weka。Weka[6]是由Java編寫的具有全面功能的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘應(yīng)用程序平臺(tái)，在數(shù)據(jù)挖掘?qū)W科歷史上具有里程碑意義。Weka包含了種類繁多的機(jī)器學(xué)習(xí)算法，能夠?qū)崿F(xiàn)對數(shù)據(jù)的預(yù)處理、聚類、分類、回歸、關(guān)聯(lián)規(guī)則挖掘及數(shù)據(jù)可視化等多種操作。由于包含的算法全面且操作簡單，因而Weka被廣泛應(yīng)用于各領(lǐng)域。與當(dāng)下大多數(shù)據(jù)分析軟件一樣，用于Weka分析的數(shù)據(jù)要求是二維表格形式，其中二維表格的行元素一般可看作數(shù)據(jù)集中的一個(gè)樣本，類似于數(shù)據(jù)表中的記錄；列元素可看作數(shù)據(jù)集中樣本的一個(gè)觀測變量。Weka支持arff和csv格式的數(shù)據(jù)，其中的associations和core兩個(gè)模塊是涉及關(guān)聯(lián)算法的。本文使用Weka中associate模塊的Apriori方法對處理過的數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則分析。

Python是一種解釋型計(jì)算機(jī)程序設(shè)計(jì)語言，具有形式簡潔和開源等優(yōu)點(diǎn)。Python不僅有非常豐富的模塊庫，而且還能與其他語言較好地建立模塊接口。近年來，許多研究者開始使用Python并利用其編寫多種多樣的程序庫，已構(gòu)成了大數(shù)據(jù)分析的語言生態(tài)庫。本文使用的word2vec算法與TFIDF算法均由Python語言編寫完成。

首先進(jìn)行數(shù)據(jù)預(yù)處理。從新華網(wǎng)上獲取的黨的十九大報(bào)告原始數(shù)據(jù)的類型是文本類型，本文的研究目標(biāo)是運(yùn)用關(guān)聯(lián)規(guī)則計(jì)算報(bào)告中詞語之間的相關(guān)性。由于原始數(shù)據(jù)與分析所需數(shù)據(jù)的格式有差異，因而需要進(jìn)行數(shù)據(jù)預(yù)處理，將文本進(jìn)行分詞處理，為將文本數(shù)據(jù)量化為關(guān)聯(lián)規(guī)則分析方法能夠使用的二維表格形式提供支持。

用于預(yù)處理的文本數(shù)據(jù)分為兩類：第一類是原始文本，用來提取全文分詞；第二類是規(guī)約后的文本，用于提取段落高頻詞，規(guī)約規(guī)則是按照段落主題進(jìn)行的。黨的十九大報(bào)告中有13個(gè)主題，按照主題規(guī)約為1段引言和13段主題文,即規(guī)約為14個(gè)段落。

預(yù)處理第一步即對第一類數(shù)據(jù)使用Python中的jieba分詞包進(jìn)行全文分詞得到cutWord，在進(jìn)行分詞時(shí)去除停用詞，將剩余詞語依照在文本中出現(xiàn)的頻率大小提取每段的前10個(gè)高頻詞keywordSet1；對第二類文本進(jìn)行分詞處理后提取14個(gè)段落的前10個(gè)高頻詞keywordSet2。

預(yù)處理第二步即運(yùn)用TFIDF算法對cutWord進(jìn)行關(guān)鍵詞提取，得到全文的關(guān)鍵詞與相對應(yīng)的TFIDF值集合TKS。TKS中的詞是按照詞語的TFIDF值從大到小排列的。選取前10個(gè)關(guān)鍵詞作為實(shí)驗(yàn)樣本，結(jié)果如表1所示。

表1 TFIDF運(yùn)算結(jié)果

其次計(jì)算相似度。構(gòu)造14個(gè)10×10矩陣，矩陣的列元素固定為提取的10個(gè)關(guān)鍵詞并作為研究的觀測點(diǎn)，行元素為關(guān)鍵詞的標(biāo)簽，分別是14個(gè)段落的前10個(gè)高頻詞。隨后使用word2vec算法計(jì)算出全文的關(guān)鍵詞與每段高頻詞之間的相似度。

最后進(jìn)行矩陣的整合與規(guī)約。通過word2vec算法計(jì)算出的值代表的是詞語之間的相似度，通過觀察可以發(fā)現(xiàn)這個(gè)數(shù)值的符號不定，最大值為1，最小值為-1，并且會(huì)出現(xiàn)值為0的情況。這個(gè)為0的結(jié)果并不代表兩個(gè)詞語之間沒有相似度，而是因文本中出現(xiàn)的詞相對的稀疏性，算法無法計(jì)算出這兩個(gè)詞語之間的相似度，這些詞對后續(xù)的分析研究意義不大，因此在對14個(gè)矩陣進(jìn)行整合的過程中刪除了相似度為0的行標(biāo)簽。整理后的數(shù)據(jù)集命名為test1。

實(shí)驗(yàn)工作已經(jīng)將文本數(shù)據(jù)量化為二維表格形式的數(shù)字?jǐn)?shù)據(jù)，但在分析中又面臨著另一個(gè)問題，即word2vec的計(jì)算結(jié)果是一個(gè)表示詞語間相似度的具體數(shù)值，而Weka中關(guān)聯(lián)規(guī)則的Apriori算法是對詞語離散數(shù)值進(jìn)行關(guān)聯(lián)度的劃分。因此word2vec的計(jì)算結(jié)果并不能直接滿足Weka對數(shù)據(jù)格式的要求，需要對test1的相似度數(shù)值進(jìn)行區(qū)間劃分與規(guī)約以滿足后續(xù)研究的需要。進(jìn)行區(qū)間劃分與規(guī)約需要選定區(qū)間界限，界限的選定方法有多種，本文選用了較為簡捷有效的方法，即根據(jù)數(shù)據(jù)的整體分布結(jié)構(gòu)選取界限。利用SPSS統(tǒng)計(jì)軟件對數(shù)據(jù)進(jìn)行描述分析，結(jié)果見表2。

表2 test1相似度數(shù)值的統(tǒng)計(jì)描述

通過表2可以得出test1的相似度數(shù)值均值為0.2095；第1四分位數(shù) (Q1)為0.0231，表明test1中小于0.0231的數(shù)值占25%；第2四分位數(shù) (Q2)為0.2075，表明test1中小于0.2075的數(shù)值占50%；第3四分位數(shù) (Q3)為0.3825，表明test1中小于0.3825的數(shù)值占75%。所以可將數(shù)據(jù)規(guī)約為3類：將相似度大于第3四分位數(shù)的樣本規(guī)約為相關(guān)度高——“high”,介于第3四分位數(shù)與第1四分位數(shù)之間的樣本規(guī)約為相關(guān)度中等——“normal”，將小于第1四分位數(shù)的樣本規(guī)約為相關(guān)度低——“l(fā)ow”。依據(jù)選定的界限，規(guī)約后的數(shù)據(jù)滿足Apriori算法的格式要求。

(三)關(guān)聯(lián)規(guī)則分析

下文將規(guī)約后的數(shù)據(jù)導(dǎo)入Weka中，使用associate中的Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則分析。把相關(guān)參數(shù)“l(fā)owerBoundMinSupport”和“upperBO-undMinSupport”分別設(shè)為0.1和1，“metricType”設(shè)為confidence，“minMetric”設(shè)為0.9，“numRules”設(shè)為10，其他選項(xiàng)均保持默認(rèn)值。

在數(shù)據(jù)預(yù)處理時(shí)，已將報(bào)告全文分為了14個(gè)段落，每段取10個(gè)高頻詞，共計(jì)140個(gè)詞，刪去重復(fù)詞語，得出了90個(gè)不重復(fù)高頻詞，再經(jīng)過word2vec計(jì)算，最后用于Weka中Apriori關(guān)聯(lián)規(guī)則計(jì)算的標(biāo)簽數(shù)為44個(gè)。這些標(biāo)簽就是樣本的屬性，代表了統(tǒng)計(jì)學(xué)中研究的變量，各標(biāo)簽對應(yīng)的高頻詞如表3所示。

表3 樣本的標(biāo)簽說明

將表3的數(shù)據(jù)轉(zhuǎn)換為JSON格式后，把44個(gè)高頻詞與對應(yīng)的TFTDF值轉(zhuǎn)化為詞名和詞的權(quán)重,可通過HTML5中的D3進(jìn)行數(shù)據(jù)可視化，并利用 cloud進(jìn)行動(dòng)態(tài)云圖描述，結(jié)果如圖1所示，其中詞語字體的大小由詞權(quán)重標(biāo)識(shí)。

圖1標(biāo)簽詞云

在圖1的標(biāo)簽詞云中，詞語字體的大小是由詞語自身的TFIDF值決定的，這樣可以簡潔明了地體現(xiàn)各組詞語在黨的十九大報(bào)告文本中所占的比重。通過觀察，我們可以看到“中國”“發(fā)展”“人民”“社會(huì)主義”“建設(shè)”“時(shí)代”和“堅(jiān)持”等詞語在報(bào)告中占有較大比重。

將樣本test1導(dǎo)入Weka可計(jì)算出10條規(guī)則結(jié)果。通過解讀樣本test1的規(guī)則結(jié)果，可以發(fā)現(xiàn)在黨的十九大報(bào)告中“社會(huì)主義”“中華民族”“發(fā)展”“建設(shè)”“實(shí)現(xiàn)”“和平”和“全黨”這些高頻詞與文本前10位關(guān)鍵詞聯(lián)系較為緊密。

規(guī)則表明，黨的十九大報(bào)告中指出中華民族迎來了偉大飛躍，將以更加昂揚(yáng)的姿態(tài)屹立于世界民族之林；中國社會(huì)在建設(shè)與發(fā)展上將按照新的理念進(jìn)行全方位發(fā)展。通過關(guān)聯(lián)規(guī)則發(fā)掘出test1中詞語的相關(guān)性與專家解讀的內(nèi)容相符，但是通過與圖1中的詞語進(jìn)行比較，可以發(fā)現(xiàn)這些規(guī)則并不能全面展示報(bào)告的主旨意義，而且也難以有效地幫助我們精確地分析黨的十九大報(bào)告。

樣本test1的實(shí)驗(yàn)結(jié)果并不理想，為了使分析結(jié)果更具價(jià)值，能夠更加精準(zhǔn)地描述出報(bào)告中詞語的相關(guān)性，本文選擇擴(kuò)大樣本,即選取前50個(gè)有效關(guān)鍵詞，對新樣本重新進(jìn)行word2vec相似度計(jì)算，并將擴(kuò)充后的新計(jì)算結(jié)果集命名為test2。將實(shí)驗(yàn)樣本擴(kuò)充后，后續(xù)實(shí)驗(yàn)步驟與上述研究一致。在矩陣的規(guī)約中，需重新對整體數(shù)據(jù)進(jìn)行統(tǒng)計(jì)描述，尋求新的區(qū)間界限，劃分新的規(guī)約區(qū)間，統(tǒng)計(jì)描述結(jié)果如表4所示。

表4 test2相似度數(shù)值的統(tǒng)計(jì)描述

參數(shù)設(shè)定不變，將樣本test2導(dǎo)入Weka計(jì)算出來的結(jié)果如下所示。

Best rules found:

1. label_22=high 19 ? label_19=low 19 conf:(1)

2. label_8=normal label_26=normal 17 ?label_1=normal 17 conf:(1)

3. label_4=high label_41=high 19 ? label_7=high 18 conf:(0.95)

4. label_4=high label_7=high 19 ? label_41=high 18 conf:(0.95)

5. label_1=normal label_33=normal 18 ? label_19=low 17 conf:(0.94)

6. label_9=high label_32=normal 18 ? label_41=high 17 conf:(0.94)

7. label_4=high 21 ? label_7=high 19 conf:(0.9)

8. label_4=high 21 ? label_41=high 19 conf:(0.9)

9. label_7=high label_9=high 20 ? label_1=normal 18 conf:(0.9)

10. label_7=high label_41=high 20 ? label_4=high 18 conf:(0.9)

由此可見，擴(kuò)大樣本后在Best rules found中所得規(guī)則的置信度均在0.9之上，表明所得規(guī)則結(jié)果的可信度很高。對test2的Weka規(guī)則結(jié)果進(jìn)行解讀后可以較為清楚地看到一些詞語之間的關(guān)聯(lián)性。如在規(guī)則1、6中，詞語“建成”與詞語“時(shí)代”“文化”“文明”的關(guān)聯(lián)度較高；在規(guī)則2、5、9中，詞語“小康社會(huì)”與詞語“時(shí)代”“建設(shè)”“發(fā)展”“經(jīng)濟(jì)”“推進(jìn)”等關(guān)聯(lián)度較高；在規(guī)則3、4、7、8中，詞語“中華民族”與詞語“文明”和“發(fā)展”的關(guān)聯(lián)度較高。

習(xí)近平多次強(qiáng)調(diào)要全面建成小康社會(huì)，實(shí)現(xiàn)中華民族偉大復(fù)興的中國夢。根據(jù)近年來的社會(huì)熱點(diǎn)問題與事件可以看出，小康社會(huì)的全面建成并不只取決于經(jīng)濟(jì)發(fā)展，如若忽視精神文明建設(shè)，勢必不能很好地全面建成小康社會(huì)，不能很好地實(shí)現(xiàn)中華民族偉大復(fù)興這一宏偉目標(biāo)。在黨的十九大報(bào)告中，習(xí)近平提出要堅(jiān)定文化自信，推動(dòng)社會(huì)主義文化繁榮興盛，堅(jiān)持中國特色社會(huì)主義文化發(fā)展道路，建設(shè)社會(huì)主義文化強(qiáng)國。

(四)結(jié)果討論

對規(guī)則結(jié)果進(jìn)行分析，大致可以看出“中華民族”“文明”“發(fā)展”“小康社會(huì)”“建設(shè)”“文化”“時(shí)代”“推進(jìn)”“建成”“經(jīng)濟(jì)”和“加強(qiáng)”等詞語與樣本的50個(gè)關(guān)鍵詞聯(lián)系較為緊密。此外，本文通過關(guān)聯(lián)規(guī)則還發(fā)現(xiàn)了報(bào)告中的隱含議題。

一是規(guī)則中與“時(shí)代”關(guān)聯(lián)度高的詞語并不是“經(jīng)濟(jì)”，而是“建成”“小康社會(huì)”和“加強(qiáng)”等詞語，這說明我國社會(huì)經(jīng)濟(jì)發(fā)展現(xiàn)狀的變化使得改革開放不再僅僅圍繞著經(jīng)濟(jì)建設(shè)進(jìn)行，全面建成小康社會(huì)對譜寫國家富強(qiáng)、民族振興、人民幸福的時(shí)代新篇章具有現(xiàn)實(shí)而深遠(yuǎn)的意義。新時(shí)代下，“小康社會(huì)”不再只是一代人的夢想，而是要“建成”小康社會(huì)，體現(xiàn)了黨在新時(shí)代的決心。二是規(guī)則中與“發(fā)展”有較高關(guān)聯(lián)度的詞語為“中華民族”“文明”“建設(shè)”和“小康社會(huì)”等，這說明決勝全面建成小康社會(huì)將是當(dāng)前和今后一個(gè)時(shí)期內(nèi)工作的重中之重。堅(jiān)持和發(fā)展中國特色社會(huì)主義現(xiàn)代化道路是實(shí)現(xiàn)中華民族偉大復(fù)興中國夢的根本途徑，也是全面建成富強(qiáng)、民主、文明、和諧、美麗的社會(huì)主義現(xiàn)代化強(qiáng)國的重要保證。三是規(guī)則中“中華民族”“發(fā)展”和“文明”的關(guān)聯(lián)度較高，潛在說明要注重文化上的改革發(fā)展，形成中華民族特有的中國現(xiàn)代文化體系，既要有中華民族傳統(tǒng)文化的精髓，又要結(jié)合新時(shí)代的要素，弘揚(yáng)優(yōu)秀傳統(tǒng)文化和主流價(jià)值觀。四是在規(guī)則中出現(xiàn)的詞語均與小康社會(huì)建設(shè)有一定聯(lián)系，這些詞語涉及經(jīng)濟(jì)、政治、文化、社會(huì)與生態(tài)文明等方面，揭示了從現(xiàn)在到2020年是決勝全面建成小康社會(huì)的關(guān)鍵時(shí)期。五是規(guī)則中“中華民族”“發(fā)展”和“文明”這幾個(gè)詞語出現(xiàn)次數(shù)較多，在規(guī)則3、4和10中均有出現(xiàn)，為我們深入解讀黨的十九大報(bào)告尤其是正確看待文明建設(shè)提供了思路。黨的十九大報(bào)告指出，我國社會(huì)主要矛盾已經(jīng)轉(zhuǎn)化為人民日益增長的美好生活需要和不平衡不充分的發(fā)展之間的矛盾，這是中國特色社會(huì)主義進(jìn)入新時(shí)代的特征之一。文明建設(shè)與中華民族歷史文明高度相關(guān)，應(yīng)結(jié)合歷史唯物主義和辯證唯物主義，處理好文明發(fā)展問題，以滿足時(shí)代和社會(huì)發(fā)展的需要。

五、結(jié)論

網(wǎng)絡(luò)的迅速發(fā)展使得經(jīng)濟(jì)社會(huì)中的文本數(shù)據(jù)呈爆發(fā)式增長，如何有效地對各種文本信息進(jìn)行分析已成為當(dāng)前研究中亟待解決的問題。本文使用關(guān)聯(lián)規(guī)則方法，利用Python、D3及Weka對黨的十九大報(bào)告文本進(jìn)行數(shù)據(jù)挖掘，根據(jù)研究需要設(shè)定不同的參數(shù)，得出不同層次的結(jié)論。研究結(jié)果表明，在黨的十九大報(bào)告中與“時(shí)代”關(guān)聯(lián)度高的詞語并不是“經(jīng)濟(jì)”而是“建成”“小康社會(huì)”和“加強(qiáng)”等，規(guī)則中與“發(fā)展”有較高關(guān)聯(lián)度的詞語為“中華民族”“文明”“建設(shè)”和“小康社會(huì)”等，且“中華民族”“發(fā)展”和“文明”這幾個(gè)詞語出現(xiàn)的頻率較高，詞語的關(guān)聯(lián)度也較高。此外，黨的十九大報(bào)告中涉及經(jīng)濟(jì)、政治、文化、社會(huì)與生態(tài)文明等方面的詞語均與全面建成小康社會(huì)有聯(lián)系。

在對經(jīng)濟(jì)社會(huì)文本信息的處理中，數(shù)據(jù)挖掘作為一門方法，不僅要使用相關(guān)專業(yè)知識(shí)進(jìn)行分析，還需要結(jié)合多個(gè)領(lǐng)域的背景知識(shí)，從多角度出發(fā)考慮及解決問題。當(dāng)然本文還存在一些不足，在今后可以嘗試使用其他來源的文本數(shù)據(jù)，如針對黨的十九大報(bào)告的網(wǎng)絡(luò)評論進(jìn)行評論分析。另外，本文中使用的關(guān)聯(lián)規(guī)則方法，其算法還需進(jìn)一步細(xì)化；在文本分析時(shí)還需提高關(guān)鍵詞相似度計(jì)算的精度和效率，在對挖掘結(jié)果進(jìn)行解讀時(shí)也可嘗試使用不同領(lǐng)域的背景知識(shí)。

參考文獻(xiàn):

[1]張軍玲.我國網(wǎng)絡(luò)輿情信息挖掘研究綜述[J].情報(bào)科學(xué),2016(11):167-172.

[2]郭韌,李紅,陳福集.基于可拓聚類的網(wǎng)絡(luò)輿情演化預(yù)測研究[J].情報(bào)理論與實(shí)踐,2017(1):83-87.

[3]黃仁,張衛(wèi).基于word2vec的互聯(lián)網(wǎng)商品評論情感傾向研究[J].計(jì)算機(jī)科學(xué),2016(6A):387-389.

[4]張冬雯,楊鵬飛,許云峰.基于word2vec和SVMperf的中文評論情感分類研究[J].計(jì)算機(jī)科學(xué),2016(6A):418-421.

[5]翟東海,魚江,高飛,于磊,丁鋒.最大距離法選取初始簇中心的K-means文本聚類算法的研究[J].計(jì)算機(jī)應(yīng)用研究,2014(3):713-715.

[6]李新福,趙蕾蕾,何海斌,李芳.使用Logistic回歸模型進(jìn)行中文文本分類[J].計(jì)算機(jī)工程與應(yīng)用,2009(14):152-154.

[7]王彥增，曹正.基于WEKA數(shù)據(jù)挖掘中關(guān)聯(lián)規(guī)則的分析及應(yīng)用舉例[J].經(jīng)濟(jì)論壇,2013(1):165-167.

[8]汪祖柱,阮振秋.基于關(guān)聯(lián)規(guī)則的政務(wù)微博公眾評論觀點(diǎn)挖掘[J].情報(bào)科學(xué),2017(8):19-22.

[9]阮光冊,夏磊.基于關(guān)聯(lián)規(guī)則的文本主題深度挖掘應(yīng)用研究[J].現(xiàn)代圖書情報(bào)技術(shù),2016(12):50-56.

[10]Jiawei Han,Micheline Kamber.數(shù)據(jù)挖掘概念與技術(shù)[M].北京:機(jī)械工業(yè)出版社,2012.