[發明專利]一種基于局部重構模型的電子書內容表示方法

在審

• 申請號: 201710889265.5
• 申請日: 2017-09-27
• 公開（公告）號: CN107861924A
• 公開（公告）日: 2018-03-30
• 發明（設計）人: 張海軍;王雙;姬玉柱
• 申請（專利權）人: 哈爾濱工業大學深圳研究生院
• 主分類號: G06F17/22
• 分類號: G06F17/22;G06F17/27
• 代理公司: 深圳市迪斯卓越專利代理事務所(普通合伙)44443
• 代理人: 閔華明,李小艷

技術領域

本發明屬于文本挖掘系統領域，尤其涉及基于局部重構模型的電 子書內容表示方法，所述方法使用電子書作為最原始輸入。

背景技術

近年來，隨著移動閱讀設備的廣泛使用，電子書的數量日益增多， 因此設計有效的電子書推薦算法，從而為用戶進行精準、有效的推薦具有 重要意義。

關于電子書的推薦，已存在的技術主要可以分為兩類：協同過濾 推薦和基于內容的推薦。協同過濾的方法很大程度上依賴于用戶的行為， 其推薦過程依賴于用戶間的相似偏好，且要求系統中一定數量的用戶評分。 如果沒有足夠的用戶評分，或某些書未被購買或未被評分，則無法使用協 同過濾進行有效的推薦。但在實際生活中，大部分書的銷售量或用戶評分 都較少，導致該方法在實際的使用過程中存在很大的局限性。進一步地， 形成了基于內容的推薦算法，但該類方法依賴于詳細的特征選擇過程，并 需要預先給每本書提供指定的屬性信息，進而使用自動的文本分類方法進 行基于內容的推薦。然而對于這種基于內容的推薦，其推薦過程僅依賴于 特定的文本元數據，而并非電子書本身的內容。

“詞袋”模型作為典型的基于全文內容表達的研究方法，該類方 法的目的在于獲得能夠表示整篇文檔內容的向量。但該類方法僅依賴于對 于文本中詞語的詞頻統計，而忽略了詞語的空間分布信息，導致該方法很 難區分出詞頻相似但詞語的空間分布有差異的兩本書。

樹形結構作為一種有效的數據組織和表達方式，可以體現出數據 內部的層次關系和空間結構關系。因此，可以將電子書按照“電子書->頁 ->段落”的方式進行組織，形成一棵三層的樹形結構，從而體現出書的空 間層次結構，在一定程度上彌補“詞袋”模型對于文本空間信息的忽略。 但按照樹形結構進行組織的數據不便于樣本間相似度的計算，因此需要對 樹形結構數據的層次信息進一步的整合，從而形成統一的向量表示，以便 于實現進一步的系統推薦。

發明內容

本發明的目的在于提供一種基于局部重構模型的電子書內容表 示方法，旨在解決現有技術中存在的問題。

為了實現樹形結構數據的層次信息整合，本發明中提出了一種基 于類-余弦(cosine-type)距離函數的局部重構模型，通過使用孩子節點 信息重構其父節點信息獲取重構系數向量，進而對樹形結構數據中的局部 信息進行整合，該過程自底向上，直至將樹形結構數據轉化為統一的向量 表示，從而使得該向量包含了該樹形結構數據的層次信息。

本發明通過以下技術方案實現：一種基于局部重構模型的電子書 內容表示方法，所述方法包括以下步驟：

A.樹形結構表達：對于每一本電子書，將其劃分為若干頁，進 一步地，將每一個頁劃分為若干段落，從而對每一本電子書形成“電子書 ->頁->段落”的三層樹形結構；

B.節點特征表達：構建詞匯表，計算詞分布向量，進一步使用 主成分分析(Principal Component Analysis，PCA)對各層次節點的詞分 布向量進行降維、壓縮，以便于進一步的模型運算；

C.局部重構模型建立：使用孩子節點的信息對其父節點信息進 行重構，即建立局部重構模型，求解局部重構模型并獲得重構系數；

D.樹形結構的統一向量表示：根據在局部重構模型建立階段獲 得的重構系數向量，將該節點與其孩子節點進行信息融合，更新該節點的 特征向量表示；該過程自底向上逐層進行，直至將由樹形結構表示的電子 書數據壓縮成為統一的向量表示；

E.基于內容的電子書檢索和推薦：使用電子書的統一向量表示 進行電子書的檢索，通過相似度的計算為用戶進行相關內容的電子書推薦。

作為本發明的進一步改進，所述樹形結構表達步驟包括以下步 驟：

A1、電子書的分割：通過識別電子書的段落分割符“/r/n”，對 電子書進行分割，將一本電子書分割為若干個段落；

A2、頁的劃分：將相鄰的若干個段落進行合并，直至合并的段落 的長度超過預先設定的頁的最小閾值，則形成一個新的頁。本發明中將頁 的最小長度的閾值設為1000；

A3、段落的劃分：對于上一步中形成的頁，再次使用段落分割符 “/r/n”進行分割，并將若干個相鄰的段落進行合并，直至其長度超過預 先設定的段落的最小閾值，則形成一個新的段落。本發明中將段落的最小 長度的閾值設為50。

作為本發明的進一步改進，所述節點特征表達步驟包括以下步 驟：