[發(fā)明專利]一種基于多標(biāo)簽分類的稅務(wù)文檔層次分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410400522.0
• 申請(qǐng)日: 2014-08-14
• 公開（公告）號(hào): CN104199857B
• 公開（公告）日: 2017-06-27
• 發(fā)明（設(shè)計(jì)）人: 劉均;馬健;鄭慶華;張未展;吳蓓
• 申請(qǐng)（專利權(quán)）人: 西安交通大學(xué)
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 西安通大專利代理有限責(zé)任公司61200
• 代理人: 陸萬(wàn)壽

1.一種基于多標(biāo)簽分類的稅務(wù)文檔層次分類方法，其特征在于，包括以下步驟：

1)稅務(wù)文檔主題特征構(gòu)建：

1-1)對(duì)待分類的稅務(wù)文檔進(jìn)行去噪預(yù)處理，得到待分類文檔；

1-2)指定待分類文檔的主題個(gè)數(shù)，從隱含狄利克雷分布模型中抽取生成的主題分布，構(gòu)建待分類文檔的隱含狄利克雷分布主題特征，得到待分類文檔的主題分布以及每個(gè)主題對(duì)應(yīng)詞的分布；指定待分類文檔的主題個(gè)數(shù)為10～20個(gè)；

2)增量式候選類別搜索：

2-1)將若干篇已經(jīng)標(biāo)過(guò)分類標(biāo)簽的稅務(wù)文檔作為訓(xùn)練數(shù)據(jù)，去除訓(xùn)練數(shù)據(jù)中的停用詞，構(gòu)建訓(xùn)練數(shù)據(jù)的tf·idf特征向量，將tf矩陣中不為0的詞表進(jìn)行存儲(chǔ)，并將生成的詞匯列表、tf列表、idf值列表按序存儲(chǔ)；

2-2)對(duì)于待分類文檔r，根據(jù)保存的詞匯列表計(jì)算tf_r值，tf_r值是待分文檔r的tf向量，將待分類文檔r中出現(xiàn)但在當(dāng)前詞匯列表中未出現(xiàn)的詞匯添加到詞匯列表后面，然后根據(jù)tf_r值重新計(jì)算idf值，重新計(jì)算tf·idf特征向量，得到包含訓(xùn)練數(shù)據(jù)和待分類文檔的tf·idf特征向量；

2-3)計(jì)算待分類文檔r和訓(xùn)練數(shù)據(jù)的相似度，獲取候選類別標(biāo)簽；

3)基于遷移學(xué)習(xí)的訓(xùn)練數(shù)據(jù)構(gòu)建及多標(biāo)簽分類：

3-1)對(duì)于每個(gè)候選類別標(biāo)簽節(jié)點(diǎn)，其本身對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)為源數(shù)據(jù)，借助其祖先節(jié)點(diǎn)和孩子節(jié)點(diǎn)對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)對(duì)源數(shù)據(jù)進(jìn)行補(bǔ)充，補(bǔ)充的訓(xùn)練數(shù)據(jù)為輔助數(shù)據(jù)；

3-2)利用遷移學(xué)習(xí)算法TrAdaBoost從輔助數(shù)據(jù)中選擇出適合用于構(gòu)建分類模型的數(shù)據(jù)，并構(gòu)建基于遷移學(xué)習(xí)的多標(biāo)簽分類模型；

3-3)利用基于遷移學(xué)習(xí)的多標(biāo)簽分類模型，結(jié)合隱含狄利克雷分布主題特征，對(duì)待分類文檔進(jìn)行分類，得到待分類文檔所屬的稅種層次類別；

所述的步驟1-1)中對(duì)待分類的稅務(wù)文檔進(jìn)行去噪預(yù)處理的具體步驟為：先將待分類的稅務(wù)文檔轉(zhuǎn)換成文本格式，對(duì)轉(zhuǎn)換后的稅務(wù)文檔進(jìn)行數(shù)據(jù)清洗，刪除由于轉(zhuǎn)換導(dǎo)致的亂碼文檔，去除重復(fù)文檔，同時(shí)去除元數(shù)據(jù)信息，其中元數(shù)據(jù)信息包括文檔標(biāo)題和作者；

所述的步驟3-1)的具體操作為：對(duì)于候選類別標(biāo)簽節(jié)點(diǎn)C_a和其他任意的候選類別標(biāo)簽節(jié)點(diǎn)C_b，對(duì)于C_a的任意祖先節(jié)點(diǎn)P_a，在滿足時(shí)，將P_a對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)補(bǔ)充到C_a的源數(shù)據(jù)中，并將P_a的其他非候選類別標(biāo)簽節(jié)點(diǎn)的孩子節(jié)點(diǎn)對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)補(bǔ)充到C_a的源數(shù)據(jù)中，同時(shí)將C_a的孩子節(jié)點(diǎn)對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)補(bǔ)充到C_a的源數(shù)據(jù)中，其中P(C_b)表示C_b的祖先節(jié)點(diǎn)的集合。