[發明專利]一種基于多流行關聯矩陣分解的無障礙文本展現方法

有效

• 申請號: 201310217406.0
• 申請日: 2013-06-03
• 公開（公告）號: CN103345471A
• 公開（公告）日: 2013-10-09
• 發明（設計）人: 卜佳俊;李平;陳純;王北斗;高珊
• 申請（專利權）人: 浙江大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06F17/27
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

1.一種基于多流行關聯矩陣分解的無障礙文本展現方法，該方法的特征在于從互聯網抓取網頁文本后，針對文本進行以下操作：

1）對文本進行分詞，提取文本統計特征信息，包括詞頻和反向文檔頻率，形成文本的TF-IDF向量化特征表示；

2）構建若干文本流行和單詞流行，基于多流行的關聯矩陣分解考慮文本與單詞之間的對偶性，獲得低維的文本表示和單詞表示；

3）對文本的低維表示進行聚類，相同或相近主題的文本分為一組，以分組的形式重新展現文本信息。

2.如權利要求1所述的基于多流行關聯矩陣分解的無障礙文本展現方法，其特征在于：所述的步驟1）中的提取文本統計特征信息的具體步驟是：

1.1）每個網頁文本可看成一個文檔，對文本提取兩種統計信息，即詞頻（TF:Term?Frequency）和反向文檔頻率（IDF:Inverse?Document?Frequency），若文本中出現的單詞有m個，則形成m維的TF-IDF向量化特征表示；

1.2）對所有文本的TF-IDF特征表示進行統一的歸一化處理。

3.如權利要求1所述的基于多流行關聯矩陣分解的無障礙文本展現方法，其特征在于：所述的步驟2）中的構建若干文本流行和單詞流行的具體步驟是：

2.1）流行結構能夠反映數據的本征結構，它通過圖拉普拉斯矩陣進行構建，而文本流行和單詞流行能分別反映文本數據和單詞數據的本征結構；

2.2）構建文本的圖拉普拉斯矩陣L_s，首先從互聯網上獲取n個網頁文本，第i個文本的特征表示為第j個文本的特征表示為將每個文本看成無向圖上的頂點，若兩個文本的歐式距離較近，則在相應的頂點間連接一條邊并賦予邊權重，這樣可以建立一張反映文本數據流行結構的無向圖；各文本間的關聯權重組成大小為n×n的權重矩陣W_s,對W_s的每列元素依次累加并放置在對角矩陣D_s的對角線上，D_s中非對角線上的元素均置為0，則可通過L_s＝D_s-W_s得到文本的圖拉普拉斯矩陣L_s;

2.3）構建若干文本的圖拉普拉斯矩陣L_s，通過賦予無向圖中所連接邊的不同權重W_s實現，即利用三種不同的權重策略：二值權重、余弦相似度和高斯核權重；若與的歐式距離較遠，即兩個頂點間無邊連接，則兩個文本的邊權重為0；若與的歐式距離較近，即兩個頂點間有邊連接，則：

a.對于二值權重，兩個文本的邊權重為1；

b.對于余弦相似度，兩個文本的邊權重為其中(·)^Ｔ表示向量或矩陣的轉置；

c.對于高斯核權重，兩個文本的邊權重為其中｜·｜表示向量的l₂范數，實數參數σ＞0表示高斯核的帶寬，通過設置不同的帶寬參數，可以得到不同的高斯核權重；

2.4）構建單詞的圖拉普拉斯矩陣L_f,根據文本與單詞間的對偶性，每個單詞的特征表示維度為n，第i個單詞的特征表示為第j個單詞的特征表示為將每個單詞看成無向圖上的頂點，若兩個單詞的歐式距離較近，則在相應的頂點間連接一條邊并賦予邊權重，這樣可以建立一張反映單詞數據流行結構的無向圖；各單詞間的關聯權重組成大小為m×m的權重矩陣W_f,對W_f的每列元素依次累加并放置在對角矩陣D_f的對角線上，D_f中非對角線上的元素均置為0，則可通過L_f=D_f-W_f得到單詞的圖拉普拉斯矩陣L_f;

2.5）構建若干單詞的圖拉普拉斯矩陣L_f,其具體方法與構建若干文本的圖拉普拉斯矩陣L_s相同。

4.如權利要求1所述的基于多流行關聯矩陣分解的無障礙文本展現方法，其特征在于：所述的步驟2）所述的的多流行關聯矩陣分解具體步驟是：

3.1）假設從互聯網獲得n個文本，這些文本涉及c_s個主題，每個文本的特征表示為矩陣的列向量，則全部文本形成一個維度為m×n的數據矩陣X_s;組成文本的單詞有m個，這些單詞涉及c_f個主題，每個單詞的特征表位為矩陣的列向量，則全部單詞形成一個維度為n×m的數據矩陣X_f;由于文本與單詞間的協同對偶關系，則滿足將文本和單詞數據矩陣合并為一個維度為(n+m)×(n+m)的關聯矩陣R=0XfXs0,]]>其中0表示全零矩陣，其維度由文本和單詞的個數確定；

3.2）將文本的數據矩陣分解成三部分，即其中大小為m×c_f的矩陣V_f是單詞的低維表示，大小為n×c_s的矩陣Ｖ_s是文本的低維表示，大小為c_f×c_s的矩陣S_f為壓縮的單詞數據表示；類似地，將單詞的數據矩陣分解成三部分，即其中大小為c_s×c_f的矩陣S_s為壓縮的文本數據表示；這樣，可得到大小為(n+m)×(c_f+c_s)的關聯低維表示矩陣V=Vs00Vf,]]>其中0表示全零矩陣，其維度由文本和單詞的個數以及所涉及的主題數確定；還可以得到大小為(c_f+c_s)×(c_f+c_s)的關聯低維表示矩陣S=0SfSs0,]]>其中0表示全零矩陣，其維度由文本和單詞所涉及的主題數確定；

3.3）根據不同的權重策略分別構建q個文本流行和q個單詞流行，即和構建q個大小為(n+m)×(n+m)的關聯流行矩陣，則第i個關聯流行矩陣表示為Li=Lsi00Lfi,]]>其中0表示全零矩陣，其維度由文本和單詞的個數確定；為了更好地逼近真實的數據流行，賦予每個流行一個加權系數μ_i＞0，形成多個流行的線性組合，即L=Σi=1qμiLi,]]>且滿足條件Σi=1qμi=1;]]>

3.4）利用多流行的關聯矩陣分解最小化正則化的目標函數

minU,V|R-VSVT|F2+αTr[VT(Σi=1qμiLi)V]+β|μ|2,]]>

s.t.Σi=1qμi=1,μ≥0,V≥0,]]>

其中，|·|_F為矩陣范數，|·|為向量的l₂范數，Tr(·)為矩陣的跡，正則化因子α＞0和β＞0分別用來調節流行結構的貢獻以及避免過擬合；通過求解該目標函數得到的文本低維表示，能夠逼近原始文本數據的本征結構，并同時保持文本數據和單詞數據的局部幾何結構，使得相同主題的文本距離盡可能接近。