CN108170840A - 一种面向文本的领域分类关系自动学习方法 - Google Patents
一种面向文本的领域分类关系自动学习方法 Download PDFInfo
- Publication number
- CN108170840A CN108170840A CN201810036779.0A CN201810036779A CN108170840A CN 108170840 A CN108170840 A CN 108170840A CN 201810036779 A CN201810036779 A CN 201810036779A CN 108170840 A CN108170840 A CN 108170840A
- Authority
- CN
- China
- Prior art keywords
- concept
- similarity
- distance
- classification
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Abstract
本发明公开了一种面向文本的领域分类关系自动学习方法,采用MEDLINE作为语料库,进行术语抽取与概念抽取,将抽取到的概念进行基于句法相似度和语义相似度的五个维度相似度的计算,然后各个维度的相似度进行加权,得出最终相似度矩阵,以此为依据进行层次聚类得出初始的树状图,再对树状图进行相应的剪枝和聚簇标记,最终得出体现概念之间的分类关系树状图;本发明不需要大量的手工标记,节省了人力与时间开销;将抽取到的术语与权威知识库UMLS超级叙词表进行映射,得出准确的领域概念;采用层次聚类的分布式方法,结合领域背景知识,提供五个维度相似度的计算;提出基于极值距离估计的无监督的层次聚类动态剪枝方法,能够更好地得出领域相关的分类关系。
Description
技术领域
本发明属于本体学习领域,尤其涉及一种面向文本的领域分类关系自动学习方法。
背景技术
虽然生物医学研究领域已经广泛承认了领域本体的实用性,但是对于领域本体的有效使用仍然存在很多阻碍。领域本体一个非常重要的要求就是,他们对于领域概念和概念之间的关系必须取得高覆盖率。然而,这些本体的构建通常是一个手工的,耗时的过程,并且容易产生各种各样的错误。有限的资源导致了概念和关系的丢失,同时加大了知识变化引起的更新本体的难度。此外,构建本体需要领域专家的参与,即使同领域的专家对知识模型的认知也未必相同,所以难以保证构建本体的一致性。因此,许多研究人员致力于采用自然语言处理、计算机语言学和人工智能等领域的方法,实现语义知识的自动和半自动提取,即本体学习技术。
本体学习包括术语抽取、概念抽取、分类关系抽取、非分类关系抽取及公理抽取等。分类关系作为本体构建的重要组成部分,是国内外研究的重点,主要体现的是领域概念间的上下位关系。目前,分类关系的学习主要有两种方法:基于规则的方法和分布式方法。基于规则的方法使用预定义的规则或者启发式模式来提取术语和关系,这些方法通常是基于Hearst提出的词汇-句法模式。分布式方法则将分类关系学习作为一种聚类或者分类任务,并且着重强调分布式相似性,它的优势在于可以发现文本中没有明确出现的关系。
基于规则的方法依赖于能够提供高准确度的静态语言模式(规则),不但需要广泛的领域专业知识,而且需要大量的手工标记,很难推广到其他领域。分布式方法需要极少量的先验知识,提供了更好的可扩展性,但是关键点在于有效的相似度计算准则。
发明内容
本发明的目的在于针对现有技术的不足,提供一种面向文本的领域分类关系自动学习方法,采用MEDLINE作为语料库,进行术语抽取与概念抽取,将抽取到的概念进行基于句法相似度和语义相似度的五个维度相似度的计算,然后各个维度的相似度进行加权,得出最终的相似度矩阵,以此为依据进行层次聚类得出初始的树状图,再对树状图进行相应的剪枝和聚簇标记,最终得出体现概念之间的分类关系树状图。
本发明的目的是通过以下技术特征来实现的:一种面向文本的领域分类关系自动学习方法,包括以下步骤:
(1)将从MEDLINE上抽取到的xml格式的论文中的摘要部分存储为txt格式,作为语料库;
(2)对步骤(1)得到的语料库采用自然语言处理工具MMTx进行初步术语抽取;
(3)将步骤(2)抽取到的术语与UMLS超级叙词表映射,不同的术语可能会映射到相同的概念;将所有的术语进行概念映射,最终形成领域概念集合;
(4)综合句法相似度和语义相似度进行概念间相似度的计算,将相似度分为5个维度,最终的概念Ci和Cj之间的相似度Sim(Ci,Cj)是各维度相似度归一化加权的结果,对于n个概念最终得到一个n×n的相似度矩阵;Sim(Ci,Cj)的计算公式如下:
其中,wl是第l个维度相似度的权值,前三个维度的相似度是基于句法计算的,后两个维度的相似度是基于语义计算的,具体计算方法如下:
(4.1)sim1(Ci,Cj)的计算:计算概念Ci和Cj的概念名称Cname的杰卡德相似系数;每个Cname由一系列字符串T构成,那么,概念Ci和Cj的相似度表示为
Ti∩Tj={ti∈Ti,tj∈Tj|LD(|ti|,|tj|)<α}
其中,LD(|ti|,|tj|)为ti和tj之间的莱文斯坦距离,Ti∩Tj的评估标准是构成它们的字符串之间的莱文斯坦距离小于预定义值α;
(4.2)sim2(Ci,Cj)的计算:计算概念Ci的概念名称Cname和Cj所代表的术语集β之间的杰卡德相似系数;
(4.3)sim3(Ci,Cj)的计算:计算概念Ci所代表的术语集β和Cj的概念名称Cname之间的杰卡德相似系数;
(4.4)sim4(Ci,Cj)的计算:计算两个概念Ci和Cj在临床医学权威知识库SNOMED CT中的相似度;对于概念Ci,首先,查询其在SNOMED CT中的统一标识符conceptID,如果查询不到统一标识符conceptID,则两个概念的相似度为0;如果查询到统一标识符conceptID,则递归查询出概念Ci在SNOMED CT本体库中的所有父节点,得到以概念Ci为中心的由其所有父节点形成的图,采用图的宽度优先搜索算法对两个概念各自的父节点图进行处理,得出二者的公共父节点,其中两个概念的最近距离即为最终距离;对最短距离进行归一化处理即可得到本维度的相似度;
(4.5)sim5(Ci,Cj)的计算:计算两个概念在DBpedia知识库中的相似度;概念Ci和Cj的相似度是各自从DBpedia中抽取到的类别数组的杰卡德相似系数;
(5)对相似度矩阵进行层次聚类得出初始的树状图:基于以上5个维度相似度的计算,采用自底向上的凝聚型聚类算法AHC对分类关系进行学习,簇间距离选用最大距离作为标准;
(6)对树状图进行相应的剪枝和聚簇标记,得出概念之间的分类关系;具体为:首先创建聚簇标记向量λ={λ1,λ2,…,λm},m为所有聚簇标记的总数,然后,对层次聚类产生的树状图进行剪枝操作,若在剪枝的过程中有新的聚簇产生,对新的聚簇进行标记并更新树状图,重复此操作,直到不再有新的聚簇产生,即得到最终的概念之间的分类关系。
进一步地,所述步骤(4.5)中,DBpedia可以从维基百科中获取大量的结构化信息,根据相关接口查找出概念在维基百科中的统一资源标识符URI以及该概念所属类型,每个URI都归属于一系列的类别,这些类别反映了概念在维基百科这个巨大的开放信息网的所有相关信息,概念Ci和Cj的相似度是各自从DBpedia中抽取到的类别数组的杰卡德相似系数;
进一步地,所述步骤(5)中,分类关系体现的就是概念之间的上下位关系,可图形化为多叉树结构,这种结构与层次聚类的任务目标是非常契合的,因此选用层次聚类方法;簇间距离选用最大距离(Complete Linkage)作为标准,保证聚类过程中考虑到每个概念的影响,公式如下:
其中,dmax(Ci,Cj)为概念Ci和Cj之间的最大距离,dist(x,z)为x和z之间的距离。
进一步地,所述步骤(6)中,采用无监督动态剪枝方法,在无监督的情况下动态地估计出适应每一个单独的树状图的切割高度;为了找到每次迭代过程中树状图的剪枝高度,构造一个二元函数y=f(x),其中,x∈[0,1]反映的是修剪树的高度,y值反映的是每个x产生的聚类簇的个数;x的最优值既不应该产生最大数量的聚类簇,也不应该产生最小数量的聚类簇;x的值越大,产生的聚类簇的数量越小,当x低于一个特定值时,聚类簇的数量不再变化,这个拐点记为xF1;此外,为了避免聚簇数量极低的情况,寻找另一端的限定值xm,最终,由xF1和xm共同求出剪枝高度xf。
进一步地,采用极值距离估计EDE的方法计算拐点xF1的近似值,拐点xF1的定义为
F(x)=f(x)-g(x)
其中,x的定义域为[a,b],g(x)是点(a,f(a))到点(b,f(b))的弦,δ1和δ2是足够小的正数;那么,xF1表示f(x)到g(x)距离最远时所对应的x值,即:
其中,f’(x)表示f(x)的导数。
进一步地,限定值xm是x<1的情况下产生最小数量聚类簇所对应的剪枝高度,将xm设为0.99。
进一步地,根据xF1和xm计算最终的修剪高度xf:由f(xF1)和f(xm)得出理想的聚簇数量N=(f(xF1)-f(xm))/2,然后在f(x)中寻找最接近N的值,该值所对应的x即为最佳剪枝高度xf。
进一步地,概念与分类关系抽取完成后,形成由概念与关系构成的本体知识,选用protégé作为该轻量级本体的一个可视化展示平台。
本发明的有益效果是:
1)与基于规则的方法相比,不需要大量的手工标记,节省了人力与时间开销;
2)将抽取到的术语与权威知识库UMLS超级叙词表进行映射,得出准确的领域概念;
3)采用层次聚类的分布式方法,结合领域背景知识,提供了基于句法相似度和语义相似度的五个维度相似度的计算,优于传统的欧氏距离、夹角余弦距离等;
4)提出了一种基于极值距离估计的无监督的层次聚类动态剪枝方法,能够更好地得出领域相关的分类关系。
附图说明
图1为面向文本的领域分类关系自动学习方法流程框架图;
图2为计算在SNOMED CT中两个概念Ci和Cj到公共父节点的最短距离;
图3为对层次聚类产生的树状图进行剪枝和聚簇标记的流程图;
图4为计算每次迭代过程中树状图的最佳剪枝高度示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
首先给出相关定义及描述:
领域概念:是从特定领域内的自然语言语句中抽取出来的,用一个三元组来表示为Ci=(Cid,Cname,β),其中Cid表示概念的唯一标识符,Cname是用于表示概念名的字符串,β表示由从自然语言语句中提取出来的字符串术语的集合,每个术语又被定义为βi=(βname,si),其中,βname表示抽取到的术语字符串,si表示术语所在语句。
例1:“Exclude patients with a current diagnosis of hepatic or renaldisease.Exclude patients with severe liver disorder or kidney disease.”
该语句识别出的概念为:
(C1,“liver disease”,{β1,β2}),
其中β1=(“hepatic disease”,s1),β2=(“liver disorder”,s2);
(C2,“kidney disease”,{β3,β4}),
其中β3=(“renal disease”,s1),β4=(“kidney disorder”,s2)
以下通过实施例对本发明方法的实现过程进行详细描述,如图1所示,本发明面向文本的领域分类关系自动学习方法包括以下步骤:
(1)将从MEDLINE上抽取到的xml格式的论文中的摘要部分存储为txt格式,作为语料库;本实施例中,选取MEDLINE的有关阿尔茨海默病的最新论文作为数据源;
(2)对步骤(1)得到的语料库采用自然语言处理工具MMTx(MetaMap Transfer)进行初步术语抽取;
(3)将步骤(2)抽取到的术语与UMLS超级叙词表(Unified Medical LanguageSystem Metathesaurus)映射,那么,不同的术语可能会映射到相同的概念,如例1所示,MMTx抽取到的术语“hepatic disease”和“liver disorder”在UMLS中映射到相同的概念“liver disease”;将所有的术语进行概念映射,最终形成领域概念集合;
(4)综合句法相似度和语义相似度进行概念间相似度的计算,将相似度分为5个维度,最终的概念Ci和Cj之间的相似度Sim(Ci,Cj)是各维度相似度归一化加权的结果,对于n个概念来讲,最终得到的是一个n×n的相似度矩阵;Sim(Ci,Cj)的计算公式如下:
其中,wl是第l个维度相似度的权值,前三个维度的相似度是基于句法计算的,后两个维度的相似度是基于语义计算的,具体计算方法如下:
(4.1)sim1(Ci,Cj)的计算:计算概念Ci和Cj的概念名称Cname的杰卡德相似系数(Jaccard Index);每个Cname由一系列字符串T构成,那么,概念Ci和Cj的相似度表示为
Ti∩Tj={ti∈Ti,tj∈Tj|LD(|ti|,|tj|)<α}
其中,LD(|ti|,|tj|)为ti和tj之间的莱文斯坦距离,Ti∩Tj的评估标准是构成它们的字符串之间的莱文斯坦距离(Levenshtein Distance)小于预定义值α,本实施例中将α设置为3;
(4.2)sim2(Ci,Cj)的计算:计算概念Ci的概念名称Cname和Cj所代表的术语集β之间的杰卡德相似系数(Jaccard Index);
(4.3)sim3(Ci,Cj)的计算:计算概念Ci所代表的术语集β和Cj的概念名称Cname之间的杰卡德相似系数(Jaccard Index);
(4.4)sim4(Ci,Cj)的计算:计算两个概念Ci和Cj在临床医学权威知识库SNOMED CT(Systematized Nomenclature of Medicine-Clinical Terms)中的相似度;对于概念Ci,首先,查询其在SNOMED CT中的统一标识符conceptID,如果查询不到统一标识符conceptID,则两个概念的相似度为0;如果查询到统一标识符conceptID,则递归查询出概念Ci在SNOMEDCT本体库中的所有父节点,得到以概念Ci为中心的由其所有父节点形成的图,对于两个概念Ci和Cj来讲,他们存在至少一个公共父节点,采用图的宽度优先搜索(BFS)算法对两个概念各自的父节点图进行处理,得出二者的公共父节点,其中两个概念的最近距离即为最终距离。如图2所示,该图由概念Ci和Cj及其父节点构成,P1 i到P6 i是概念Ci的父节点,P1 j到P7 j是概念Cj的父节点,P6 i/P7 j和P5 i/P6 j是两个概念的公共父节点,图中“△”标识的路径即为二者到公共父节点的最短距离dmin,对最短距离进行归一化处理即可得到本维度的相似度:
sim4(Ci,Cj)=1-dmin/dmax
其中,dmax为所有概念两两之间最短距离的最大值;
(4.5)sim5(Ci,Cj)的计算:计算两个概念在DBpedia知识库中的相似度;DBpedia可以从维基百科中获取大量的结构化信息,根据相关接口查找出概念在维基百科中的统一资源标识符(Uniform Resource Identifier,URI)以及该概念所属类型(category),每个URI都归属于一系列的类别,这些类别反映了概念在维基百科这个巨大的开放信息网的所有相关信息。概念Ci和Cj的相似度是各自从DBpedia中抽取到的类别数组的杰卡德相似系数(Jaccard Index)。
(5)对相似度矩阵进行层次聚类得出初始的树状图;
分类关系体现的就是概念之间的上下位关系,可图形化为多叉树结构,这种结构与层次聚类的任务目标是非常契合的,所以,基于以上5个维度相似度的计算,采用自底向上的凝聚型聚类算法(Agglomerative Hierarchical Clustering,AHC)对分类关系进行学习。簇间距离选用最大距离(Complete Linkage)作为标准,保证聚类过程中考虑到每个概念的影响。
其中,dmax(Ci,Cj)为概念Ci和Cj之间的最大距离,dist(x,z)为x和z之间的距离;
(6)对树状图进行相应的剪枝和聚簇标记,得出概念之间的分类关系;
由于概念数据集非常庞大,AHC产生的树状图拥有非常繁杂的分支结构,本发明的目的是找到由详细概念构成的不相交的概念集合分支,从而发现不同概念之间的上下位关系。因此,需要选取合适的方法来识别单个分支,这个识别分支的过程通常被称为剪枝(Tree Cutting,Branch Cutting,or Dendrogram Pruning)。
本发明采用一种无监督的动态剪枝方法,顾名思义,就是在无监督的情况下动态地估计出适应每一个单独的树状图的切割高度,而不是直接设置一个绝对不变的全局阈值。剪枝和聚簇标记的流程图如图3所示,首先创建聚簇标记向量λ={λ1,λ2,…,λm},m为所有聚簇标记的总数,然后,对层次聚类产生的树状图进行剪枝操作,若有新的聚簇产生,对该聚簇进行标记并更新树状图,重复此操作,直到不再有新的聚簇产生,即得到最终的概念之间的分类关系。
那么,为了找到每次迭代过程中树状图的剪枝高度,本发明构造了一个二元函数y=f(x),其中,x∈[0,1]反映的是修剪树的高度,y值反映的是每个x产生的聚类簇的个数;x的最优值既不应该产生最大数量的聚类簇,也不应该产生最小数量的聚类簇;如图4所示,x的值越大,产生的聚类簇的数量越小,当x低于一个特定值时,聚类簇的数量不再变化,这个拐点是我们首先要提取出的一个关键点,记为xF1。此外,我们需要避免聚簇数量极低的情况,这就需要寻找另一端的限定值xm,最终,由xF1和xm共同求出剪枝高度xf。
本发明采用极值距离估计(Extremum Distance Estimator,EDE)的方法计算拐点xF1的近似值,这个方法是希腊雅典大学的Christopoulos,Demetris T提出的,它可以根据定义及其几何特性,识别出任意给定曲线的关键点。理论上,该关键点的定义为
F(x)=f(x)-g(x)
其中,x的定义域为[a,b],g(x)是点(a,f(a))到点(b,f(b))的弦,δ1和δ2是足够小的正数。那么,xF1则表示f(x)到g(x)距离最远时所对应的x值。那么,Christopoulos,Demetris T给出推理
其中,f’(x)表示f(x)的导数。图4给出拐点xF1的直观解释。
另外一个限定值xm是x<1的情况下产生最小数量聚类簇所对应的剪枝高度,为了避免只有一个聚类簇的情况出现,将xm设为0.99,如图4中点(xm,f(xm))所示。最后,根据xF1和xm计算最终的修剪高度xf。由f(xF1)和f(xm)得出理想的聚簇数量N=(f(xF1)-f(xm))/2,然后在f(x)中寻找最接近N的值,该值所对应的x即为最佳剪枝高度xf。
概念与分类关系抽取完成后,形成由概念与关系构成的本体知识,可选用protégé作为该轻量级本体的一个可视化展示平台。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (8)
1.一种面向文本的领域分类关系自动学习方法,其特征在于,包括以下步骤:
(1)将从MEDLINE上抽取到的xml格式的论文中的摘要部分存储为txt格式,作为语料库;
(2)对步骤(1)得到的语料库采用自然语言处理工具MMTx进行初步术语抽取;
(3)将步骤(2)抽取到的术语与UMLS超级叙词表映射,不同的术语可能会映射到相同的概念;将所有的术语进行概念映射,最终形成领域概念集合;
(4)综合句法相似度和语义相似度进行概念间相似度的计算,将相似度分为5个维度,最终的概念Ci和Cj之间的相似度Sim(Ci,Cj)是各维度相似度归一化加权的结果,对于n个概念最终得到一个n×n的相似度矩阵;Sim(Ci,Cj)的计算公式如下:
其中,wl是第l个维度相似度的权值,前三个维度的相似度是基于句法计算的,后两个维度的相似度是基于语义计算的,具体计算方法如下:
(4.1)sim1(Ci,Cj)的计算:计算概念Ci和Cj的概念名称Cname的杰卡德相似系数;每个Cname由一系列字符串T构成,那么,概念Ci和Cj的相似度表示为
Ti∩Tj={ti∈Ti,tj∈Tj|LD(|ti|,|tj|)<α}
其中,LD(|ti|,|tj|)为ti和tj之间的莱文斯坦距离,Ti∩Tj的评估标准是构成它们的字符串之间的莱文斯坦距离小于预定义值α;
(4.2)sim2(Ci,Cj)的计算:计算概念Ci的概念名称Cname和Cj所代表的术语集β之间的杰卡德相似系数;
(4.3)sim3(Ci,Cj)的计算:计算概念Ci所代表的术语集β和Cj的概念名称Cname之间的杰卡德相似系数;
(4.4)sim4(Ci,Cj)的计算:计算两个概念Ci和Cj在临床医学权威知识库SNOMED CT中的相似度;对于概念Ci,首先,查询其在SNOMED CT中的统一标识符conceptID,如果查询不到统一标识符conceptID,则两个概念的相似度为0;如果查询到统一标识符conceptID,则递归查询出概念Ci在SNOMED CT本体库中的所有父节点,得到以概念Ci为中心的由其所有父节点形成的图,采用图的宽度优先搜索算法对两个概念各自的父节点图进行处理,得出二者的公共父节点,其中两个概念的最近距离即为最终距离;对最短距离进行归一化处理即可得到本维度的相似度;
(4.5)sim5(Ci,Cj)的计算:计算两个概念在DBpedia知识库中的相似度;概念Ci和Cj的相似度是各自从DBpedia中抽取到的类别数组的杰卡德相似系数;
(5)对相似度矩阵进行层次聚类得出初始的树状图:基于以上5个维度相似度的计算,采用自底向上的凝聚型聚类算法AHC对分类关系进行学习,簇间距离选用最大距离作为标准;
(6)对树状图进行相应的剪枝和聚簇标记,得出概念之间的分类关系;具体为:首先创建聚簇标记向量λ={λ1,λ2,…,λm},m为所有聚簇标记的总数,然后,对层次聚类产生的树状图进行剪枝操作,若在剪枝的过程中有新的聚簇产生,对新的聚簇进行标记并更新树状图,重复此操作,直到不再有新的聚簇产生,即得到最终的概念之间的分类关系。
2.根据权利要求1所述的一种面向文本的领域分类关系自动学习方法,其特征在于,所述步骤(4.5)中,DBpedia可以从维基百科中获取大量的结构化信息,根据相关接口查找出概念在维基百科中的统一资源标识符URI以及该概念所属类型,每个URI都归属于一系列的类别,这些类别反映了概念在维基百科这个巨大的开放信息网的所有相关信息,概念Ci和Cj的相似度是各自从DBpedia中抽取到的类别数组的杰卡德相似系数。
3.根据权利要求1所述的一种面向文本的领域分类关系自动学习方法,其特征在于,所述步骤(5)中,分类关系体现的就是概念之间的上下位关系,可图形化为多叉树结构,这种结构与层次聚类的任务目标是非常契合的,因此选用层次聚类方法;簇间距离选用最大距离(Complete Linkage)作为标准,保证聚类过程中考虑到每个概念的影响,公式如下:
其中,dmax(Ci,Cj)为概念Ci和Cj之间的最大距离,dist(x,z)为x和z之间的距离。
4.根据权利要求1所述的一种面向文本的领域分类关系自动学习方法,其特征在于,所述步骤(6)中,采用无监督动态剪枝方法,在无监督的情况下动态地估计出适应每一个单独的树状图的切割高度;为了找到每次迭代过程中树状图的剪枝高度,构造一个二元函数y=f(x),其中,x∈[0,1]反映的是修剪树的高度,y值反映的是每个x产生的聚类簇的个数;x的最优值既不应该产生最大数量的聚类簇,也不应该产生最小数量的聚类簇;x的值越大,产生的聚类簇的数量越小,当x低于一个特定值时,聚类簇的数量不再变化,这个拐点记为xF1;此外,为了避免聚簇数量极低的情况,寻找另一端的限定值xm,最终,由xF1和xm共同求出剪枝高度xf。
5.根据权利要求4所述的一种面向文本的领域分类关系自动学习方法,其特征在于,采用极值距离估计EDE的方法计算拐点xF1的近似值,拐点xF1的定义为
F(x)=f(x)-g(x)
其中,x的定义域为[a,b],g(x)是点(a,f(a))到点(b,f(b))的弦,δ1和δ2是足够小的正数;那么,xF1表示f(x)到g(x)距离最远时所对应的x值,即:
其中,f’(x)表示f(x)的导数。
6.根据权利要求4所述的一种面向文本的领域分类关系自动学习方法,其特征在于,限定值xm是x<1的情况下产生最小数量聚类簇所对应的剪枝高度,将xm设为0.99。
7.根据权利要求4所述的一种面向文本的领域分类关系自动学习方法,其特征在于,根据xF1和xm计算最终的修剪高度xf:由f(xF1)和f(xm)得出理想的聚簇数量N=(f(xF1)-f(xm))/2,然后在f(x)中寻找最接近N的值,该值所对应的x即为最佳剪枝高度xf。
8.根据权利要求1所述的一种面向文本的领域分类关系自动学习方法,其特征在于,概念与分类关系抽取完成后,形成由概念与关系构成的本体知识,选用protégé作为该轻量级本体的一个可视化展示平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810036779.0A CN108170840B (zh) | 2018-01-15 | 2018-01-15 | 一种面向文本的领域分类关系自动学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810036779.0A CN108170840B (zh) | 2018-01-15 | 2018-01-15 | 一种面向文本的领域分类关系自动学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108170840A true CN108170840A (zh) | 2018-06-15 |
CN108170840B CN108170840B (zh) | 2019-11-19 |
Family
ID=62514434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810036779.0A Active CN108170840B (zh) | 2018-01-15 | 2018-01-15 | 一种面向文本的领域分类关系自动学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108170840B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087223A (zh) * | 2018-08-03 | 2018-12-25 | 广州大学 | 一种基于本体的教育资源模型构建方法 |
CN110175291A (zh) * | 2019-05-24 | 2019-08-27 | 武汉斗鱼网络科技有限公司 | 基于相似度计算的手游推荐方法、存储介质、设备及系统 |
CN110727745A (zh) * | 2019-04-24 | 2020-01-24 | 中国科学院地理科学与资源研究所 | 一种基于叙词表的词汇相关度计算方法及装置 |
CN111104478A (zh) * | 2019-09-05 | 2020-05-05 | 李轶 | 一种领域概念语义漂移探究方法 |
CN113515648A (zh) * | 2021-09-13 | 2021-10-19 | 北京中科闻歌科技股份有限公司 | 内容聚类方法及系统 |
CN115544278A (zh) * | 2022-12-05 | 2022-12-30 | 中国医学科学院医学信息研究所 | 一种医学量表语义关联网络构建方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004761A (zh) * | 2007-01-10 | 2007-07-25 | 复旦大学 | 大规模文本逐次二分的层次聚类方法 |
US20130325864A1 (en) * | 2010-04-21 | 2013-12-05 | Nima Sarshar | Systems and methods for building a universal multimedia learner |
CN103970730A (zh) * | 2014-04-29 | 2014-08-06 | 河海大学 | 一种从单个中文文本中提取多主题词的方法 |
-
2018
- 2018-01-15 CN CN201810036779.0A patent/CN108170840B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004761A (zh) * | 2007-01-10 | 2007-07-25 | 复旦大学 | 大规模文本逐次二分的层次聚类方法 |
US20130325864A1 (en) * | 2010-04-21 | 2013-12-05 | Nima Sarshar | Systems and methods for building a universal multimedia learner |
CN103970730A (zh) * | 2014-04-29 | 2014-08-06 | 河海大学 | 一种从单个中文文本中提取多主题词的方法 |
Non-Patent Citations (1)
Title |
---|
张军等: "基于逐步优化分类模型的跨领域文本情感分类", 《计算机科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087223A (zh) * | 2018-08-03 | 2018-12-25 | 广州大学 | 一种基于本体的教育资源模型构建方法 |
CN110727745A (zh) * | 2019-04-24 | 2020-01-24 | 中国科学院地理科学与资源研究所 | 一种基于叙词表的词汇相关度计算方法及装置 |
CN110175291A (zh) * | 2019-05-24 | 2019-08-27 | 武汉斗鱼网络科技有限公司 | 基于相似度计算的手游推荐方法、存储介质、设备及系统 |
CN110175291B (zh) * | 2019-05-24 | 2021-09-07 | 武汉斗鱼网络科技有限公司 | 基于相似度计算的手游推荐方法、存储介质、设备及系统 |
CN111104478A (zh) * | 2019-09-05 | 2020-05-05 | 李轶 | 一种领域概念语义漂移探究方法 |
CN113515648A (zh) * | 2021-09-13 | 2021-10-19 | 北京中科闻歌科技股份有限公司 | 内容聚类方法及系统 |
CN115544278A (zh) * | 2022-12-05 | 2022-12-30 | 中国医学科学院医学信息研究所 | 一种医学量表语义关联网络构建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108170840B (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108170840B (zh) | 一种面向文本的领域分类关系自动学习方法 | |
Ma et al. | Online active learning of decision trees with evidential data | |
Aljarah et al. | A new clustering approach based on glowworm swarm optimization | |
Alam et al. | Research on particle swarm optimization based clustering: a systematic review of literature and techniques | |
De Carvalho et al. | Adaptive Hausdorff distances and dynamic clustering of symbolic interval data | |
CN107111617A (zh) | 数据库中的图处理 | |
Shamna et al. | Content based medical image retrieval using topic and location model | |
Wang et al. | Segmentation of multi-sentence questions: towards effective question retrieval in cqa services | |
CN108898166A (zh) | 一种图像标注方法 | |
WO2018029696A1 (en) | Methods and apparatus for semantic knowledge transfer | |
Amelio et al. | Data mining: clustering | |
CN110781297A (zh) | 基于层次判别树的多标签科研论文的分类方法 | |
Rahman | Automatic selection of high quality initial seeds for generating high quality clusters without requiring any user inputs | |
CN116501834A (zh) | 地址信息处理方法、装置、移动终端及存储介质 | |
Wedashwara et al. | Evolutionary rule based clustering for making fuzzy object oriented database models | |
Denzler et al. | Granular knowledge cube | |
Lahijani | Semi-supervised data cleaning | |
Khalilian et al. | Document classification methods | |
Ajeissh et al. | An adaptive distributed approach of a self organizing map model for document clustering using ring topology | |
Ding et al. | An unsupervised framework for author-paper linking in bibliographic retrieval system | |
Rawat et al. | Word sense disambiguation and classification algorithms: A review | |
CN110059194B (zh) | 一种融合表示学习和分治策略的大规模本体合并方法 | |
Rojas et al. | A multi-level thresholding-based method to learn fuzzy membership functions from data warehouse | |
Berger et al. | Multi-label classification based on domain analysis in fixed point method | |
Mahalakshmi et al. | Self-organising map for document categorization using latent semantic analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |