方小宇 羅補干 周鑠洋 郭麗莎

摘 要：某一時段內(nèi)群眾集中反映的某一問題被稱為熱點問題。面對紛繁復(fù)雜的各類留言，人工尋找最需解決的問題即熱點問題，會耗費很多的時間和精力。因此，利用自然語言處理技術(shù)在眾多留言中挖掘熱點問題，是社會治理創(chuàng)新發(fā)展的新趨勢，有助于政府及時了解民意，提升服務(wù)效率。為了解決這個問題，通過對搜集的留言進行數(shù)據(jù)預(yù)處理，運用Single-Pass聚類算法，對留言進行聚類，利用輪廓系數(shù)進一步優(yōu)化聚類效果，最終通過TextRank的自動文摘算法計算每個標題的權(quán)重并排名。權(quán)重越大的標題，說明群眾反映的問題最強烈，以此實現(xiàn)對熱點問題的及時發(fā)現(xiàn)。

關(guān)鍵詞：熱點問題;Single-Pass聚類;TextRank

中圖分類號：TP391文獻標識碼：A文章編號：1674-1064（2021）07-096-03

DOI：10.12310/j.issn.1674-1064.2021.07.047

1 國內(nèi)外研究現(xiàn)狀

熱點事件提取是話題檢測與跟蹤（Topic detection and tracking，簡稱TDT）的一個分支[1]，TDT是信息檢索的研究領(lǐng)域之一，包含五種任務(wù)，如表1所示。

TDT以事件信息組織為特征，以事件為目標。因此，大部分研究將TDT技術(shù)應(yīng)用于事件檢測中（event detection）。相比傳統(tǒng)的信息檢索，TDT更傾向于處理動態(tài)非確定的概念，類別和基于內(nèi)容的話題。然而傳統(tǒng)的信息檢索技術(shù)如文本分類、話題模型（topic model）、LSA等適合文檔分類和索引的方法，但卻不太適合事件和新事件發(fā)現(xiàn)，因而Allan、Laverenko等人提出基于傳統(tǒng)全文相似度的上界來檢測[2]。

事件檢測有許多種方法，主流的方式是采用聚類，這樣檢測事件可以借鑒傳統(tǒng)的信息檢索方法聚類對文檔進行聚類，將關(guān)聯(lián)文檔按照一定的度量方法，通常是相似度，將相關(guān)文檔放到同一個類中。每一個類代表一個單獨的事件或者話題。聚類可以分為兩類，一類是層次聚類（Hierarchical clustering）建立關(guān)系，將關(guān)系相近的簇聚成一類，分層進行聚類;另一類平聚類（flat clustering）并不利用層次關(guān)系聚類[3]。

Single-Pass聚類的類別生成是通過較新的數(shù)據(jù)與先前所有簇的相似程度。如果足夠相似，那么新的數(shù)據(jù)將被聚到先前的簇中;如果不夠相似，則作為新簇。Single-Pass被廣泛用于TDT中的新事件檢測任務(wù)中，Ron Papka提出了將Single-Pass聚類用于在線的新事件檢測中[4]，每一個類用簇的平均值作為質(zhì)心向量來表示。Hila Beckert提出一種集成方法，從文檔結(jié)構(gòu)中提取標題詞、描述詞、地點和時間作為特征進行Single-Pass的聚類，側(cè)重相似度的度量，提出了歸一化互信息方法進行評價[5]。

2 主要步驟和任務(wù)

熱點問題挖掘主要包括文本預(yù)處理、文本聚類、聚類評估和熱點問題排行四個模塊。

2.1 基于Single-Pass聚類算法的留言聚類分析

首先將文本進行預(yù)處理，并建立VSM（Vector Space Model）向量，其能夠以空間上的相似度表達語義的相似度，直觀易懂。當文檔被表示為文檔空間的向量，就可以通過計算向量之間的相似性來度量文檔間的相似性。然后運用Single-Pass算法對文本進行聚類分析。

Single pass算法的基本流程[7]是，首先將第一篇到達的文本設(shè)為種子文件，然后后面依次到達的文本與已有的文本進行相似度比較，得到與先前文本最大的相似度。如果這個相似度大于給定的閥值，則將這個文本分配到與其相似度最大的文本所在的話題類中去;如果將此文本與所有的己存在文本比較，其相似度都小于給定的閾值，則以此文本建立一個新的聚類[6]，該算法流程如圖1所示。

通過聚類，可以獲得每條回復(fù)所屬的話題（label列），聚類結(jié)果顯示共有254類。

2.2 基于輪廓系數(shù)的聚類效果評估

輪廓系數(shù)（Silhouette Coefficient），是聚類效果好壞的一種評價方式，最早由Peter J.Rousseeuw在1986年提出。其結(jié)合內(nèi)聚度和分離度兩種因素，可以用來在相同原始數(shù)據(jù)的基礎(chǔ)上，評價不同算法或者算法不同運行方式對聚類結(jié)果所產(chǎn)生的影響。評估方法如下：

計算樣本i到同簇其他樣本的平均距離ai。ai越小，說明樣本i越應(yīng)該被聚類到該簇。將ai稱為樣本i的簇內(nèi)不相似度，簇C中所有樣本的ai均值稱為簇C的簇內(nèi)不相似度。

計算樣本i到其他某簇Cij的所有樣本的平均距離bij，稱為樣本i與簇Cj的不相似度。定義為樣本i的簇間不相似度：bi=min{bi1，bi2，bik}，bi越大，說明樣本i越不屬于其他簇。

根據(jù)樣本i的簇內(nèi)不相似度ai和簇間不相似度bi，定義樣本i的輪廓系數(shù)：

判斷：si接近1，則說明樣本i聚類合理;si接近-1，則說明樣本i更應(yīng)該分類到另外的簇;若si近似為0，則說明樣本 在兩個簇的邊界上。

筆者運用輪廓系數(shù)法對聚類結(jié)果進行評估，使用sklearn的silhouette_score方法實現(xiàn)，結(jié)果如圖2所示。

由圖2可知，隨著閾值的提高，輪廓系數(shù)也相應(yīng)上升，聚類結(jié)果也有大幅提升，因此筆者重新選擇較大的閾值來獲取所需聚類結(jié)果。

2.3 基于TextRank的自動文摘算法

TextRank是一種基于圖的用于文本的排序算法[8]，基本思想來自Google的PageRank算法[7]。類似于網(wǎng)頁的排名，對于詞語可得到詞語的排名，對于句子也可得到句子的排名，所以TextRank可以進行關(guān)鍵詞提取，也可以進行自動文摘。其用于自動文摘時的思想是：將每個句子看成PageRank圖中的一個節(jié)點，若兩個句子之間的相似度大于設(shè)定的閾值，則認為這兩個句子之間有相似聯(lián)系，對應(yīng)的這兩個節(jié)點之間便有一條無向有權(quán)邊，邊的權(quán)值是相似度，接著利用PageRank算法即可得到句子的得分，把得分較高的句子作為文章的摘要。

TextRank算法的主要步驟如下：

預(yù)處理：分割原文本中的句子得到一個句子集合，然后對句子進行分詞以及去停用詞處理，篩選出候選關(guān)鍵詞集;

計算句子間的相似度：在原論文中采用如下公式計算句子1和句子2的相似度：

對于兩個句子之間相似度大于設(shè)定閾值的兩個句子節(jié)點，用邊連接起來，設(shè)置其邊的權(quán)重為兩個句子的相似度。

計算句子權(quán)重：

其中，Wi表示第i個句子的權(quán)重，Join（i）代表與第i個句子相連的全部句子集合，Similar（a，b）表示a與b的相似度。由該公式多次迭代計算直至收斂穩(wěn)定之后，可得各句子的權(quán)重得分。

形成文摘：將句子按照句子得分進行倒序排序，抽取得分排序最前的幾個句子作為候選文摘句，再依據(jù)字數(shù)或句子數(shù)量要求，篩選出符合條件的句子組成文摘。

3 熱點問題排行

3.1 基于統(tǒng)計的總體問題的熱點排行

熱點問題（hot problem）的熱門程度依賴于兩個因素，一個是熱門詞語出現(xiàn)在留言中的次數(shù)，另一個是該詞在多少個留言中出現(xiàn)。熱點問題不可能一直熱門，隨著時間流轉(zhuǎn)，熱門程度會衰減，新的熱點問題會出現(xiàn)。因此，筆者將熱點問題定義為，一個問題在一段時間內(nèi)頻繁出現(xiàn)。

根據(jù)對熱點問題的定義，筆者認為一個事件在一段時間內(nèi)發(fā)生的次數(shù)越多，則其熱度越高，即熱度高的事件，留言出現(xiàn)的頻率也越高，同時，熱度受到持續(xù)時間的影響也不應(yīng)過大。因此，筆者結(jié)合上述分析給出熱度指數(shù)的計算公式：

其中，Hot為事件的熱度指數(shù)，n為該事件在留言中出現(xiàn)的條數(shù)，N為總留言數(shù)，T為事件的持續(xù)時間，當持續(xù)事件小于10天時，文章取T=10。

3.2 基于TextRank自動文摘算法的熱點內(nèi)部話題排行

利用TextRank算法進行熱點內(nèi)部話題排行的過程：首先對每簇?zé)狳c問題合并所有的留言標題，接著用TextRank算法計算每個標題的權(quán)重，然后按照權(quán)重排序，得到標題的排行文件，用權(quán)重最高的標題當成主話題，至此過程結(jié)束。最終得到的熱點問題排行前五的結(jié)果如表2所示。

由表2看出，每條熱點都通過熱度指數(shù)大小進行排序，通過增加一列“hot_rate”來代表問題的熱度。該值越大，代表該類問題的熱度越高，由此就實現(xiàn)對群眾反映強烈的熱點問題的匯總。

參考文獻

[1] J.Allan，J.Carbonell，G.Doddington，et al.Topic detection and tracking pilot study：Final report[C].In Proceedings of Broadcast News Transcription and Understanding Workshop.Lansdowne，VA：NIST，1998：94-218.

[2] J.Allan，V.Laverenko.First story detection in TDT is hard[C].In Proceedings of the 9th international conference on Information and Knowledge Management（CIKM）.New York，NY，USA：ACM press，2000：374-381.

[3] David M，Blei Ng，Andrew Y.Latent Dirichlet allocation[J].Journal of Machine Learning Research，2003，3：993-1022.

[4] C.D.Manning，P.Raghavan，H.Schiutze.Introduction to information retrieval[M].New York，USA：Cambridge University Press，2008：108-200.

[5] Ron Papka，James Allan.On-line new event detection using single pass clustering[R].Technical Report：UM-CS-1998-021.MA，USA：University of Massachusetts Amherst，1998：20-30.

[6] Hila Becker，Mor Naaman，Luis Gravano.Event identification in social media.Twelfth International Workshop on the Web and Databases（WebDB 2009）[C].Providence，Rhode Island，USA：Association for the advancement artificial intelligence，2009：110-104.

[7] 張培偉.基于改進Single-Pass算法的熱點話題發(fā)現(xiàn)系統(tǒng)的設(shè)計與實現(xiàn)[D].武漢：華中師范大學(xué)，2015.

[8] 蒲梅，周楓，周晶晶，等.基于加權(quán)TextRank的新聞關(guān)鍵事件主題句提取[J].計算機工程，2017，43（8）：219-224.