《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計 > 設(shè)計應(yīng)用 > 基于HybridDL模型的文本相似度檢測方法
基于HybridDL模型的文本相似度檢測方法
2020年電子技術(shù)應(yīng)用第6期
肖 晗1,，毛雪松1，朱澤德2
1.武漢科技大學(xué) 信息科學(xué)與工程學(xué)院,，湖北 武漢430081,； 2.中科院合肥技術(shù)創(chuàng)新工程院,，安徽 合肥230031
摘要： 為了提高文本相似度檢測算法的準確度，提出一種結(jié)合潛在狄利克雷分布(Latent Dirichlet Allocation,，LDA)與Doc2Vec模型的文本相似度檢測方法,，并把該算法得到的模型命名為HybridDL模型。該算法通過Doc2Vec對文檔訓(xùn)練得到文檔向量,，再利用LDA模型得到文檔主題與各個主題下特征詞出現(xiàn)的概率,，對文檔中各主題及特征詞計算概率加權(quán)和，映射到Doc2Vec文檔向量中,。實驗結(jié)果表明,，新算法模型比傳統(tǒng)的Doc2Vec模型對相似文本的判斷更加敏感，在文本相似度檢測上具有更高的準確度,。
中圖分類號： TN957.52,；TP391.1
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.191257
中文引用格式： 肖晗，毛雪松,，朱澤德. 基于HybridDL模型的文本相似度檢測方法[J].電子技術(shù)應(yīng)用,，2020，46(6)：28-31，35.
英文引用格式： Xiao Han,，Mao Xuesong,，Zhu Zede. Text similarity detection method based on HybridDL model[J]. Application of Electronic Technique，2020,，46(6)：28-31,，35.
Text similarity detection method based on HybridDL model
Xiao Han1，Mao Xuesong1,，Zhu Zede2
1.School of Information Science and Engineering,，Wuhan University of Science and Technology，Wuhan 430081,，China,； 2.Institute of Technology Innovation，Hefei Institutes of Physical Science,，Chinese Academy of Sciences,，Hefei 230031，China
Abstract： In order to improve the accuracy of text similarity detection algorithm, this paper proposes a text similarity detection method combining latent Dirichlet Allocation(LDA) and Doc2Vec model, and names the model obtained by the algorithm HybridDL model. This algorithm obtains the document vector through Doc2Vec training of the document, and then obtains the probability of the occurrence of the document topic and the feature words under each topic with the LDA model, calculates the probability weighted sum of each topic and feature words in the document, and maps them to the Doc2Vec document vector. Experimental results show that the new algorithm model is more sensitive to the judgment of similar text than the traditional Doc2Vec model, and has higher accuracy in the detection of text similarity.
Key words : Doc2Vec,；latent Dirichlet allocation,；text representation；text similarity

0 引言

    在當下這個信息時代,，互聯(lián)網(wǎng)已經(jīng)成為人們生活中不可或缺的一部分,，在機器計算能力大幅度提高的同時，獲得的數(shù)據(jù)也呈爆炸式增長,。文本數(shù)據(jù)作為數(shù)據(jù)中的重要組成部分,，量大且關(guān)鍵。因此,，從大量的文本數(shù)據(jù)中高效地提取出滿足人們需要的信息成為了當下的熱門話題,。在自然語言處理領(lǐng)域，通過計算機處理文本數(shù)據(jù)時,，由于語言的多樣性,，相同的詞語在不同的句子或者語境中表達出來的意思可能會存在差異，導(dǎo)致計算機無法直接并準確地獲取文本特征[1],。所以,，如何從語料中學(xué)習(xí)到好的文本表示，如何提升文本表示模型的性能,，對于后續(xù)自然語言處理的相關(guān)研究,，如機器翻譯、文本分類[2],、情感分析[3],、問答系統(tǒng)、文本檢索等,，具有十分深遠的意義,。

    建立文本表示模型包括對詞、主題,、語句,、文檔等各個級別任務(wù)進行建模。對于詞級別的文本表示模型,，通常使用被稱作詞向量的數(shù)學(xué)表示方法來處理,。詞向量顧名思義是一種通過向量來表示句子中詞語的方法，向量中的每一維都在實數(shù)范圍內(nèi)進行取值操作[4],。

    詞向量最早由BENGIO Y,、DUCHARME R、VINCENT P等人提出[5],，其傳統(tǒng)做法是One-hot表示方法,，即將不同詞用相對應(yīng)的維度很高的向量來表示，其中,，向量的維度對應(yīng)字典大小,，在各個詞的向量中只存在一個位置為1，其余位置為0,。該表示模型十分簡潔,，便于理解，但是由于數(shù)據(jù)稀疏會造成維數(shù)災(zāi)難,，并且該模型沒有考慮詞與詞之間的關(guān)聯(lián)性,，準確度不高。

    近年來,，被稱作詞的分布式表示的向量表示得到了較為廣泛的應(yīng)用,，理論思路是通過訓(xùn)練，將句子中的各詞語映射到N維向量空間中,。該方法在One-hot的基礎(chǔ)上,，聯(lián)系了前后文的語義信息，使語義相近詞語所映射得到的詞向量比較接近,，而One-hot法得到的是毫無關(guān)聯(lián)的詞向量,。即可以通過詞與詞在空間中的距離計算詞與詞在語義上的相關(guān)性，距離越小則語義越相關(guān),，距離越大則越無關(guān),。2013年，MIKOLOV T等人提出利用神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練分布式詞向量[6],，所得到的模型被稱作Word2Vec,，該模型可以通過前后文的詞匯預(yù)測中心詞或者通過中心詞來預(yù)測前后文的詞匯,。它相當于一個里程碑，現(xiàn)在也被廣泛使用,。Doc2Vec是Word2Vec的擴展,，于2014年由MIKOLOV T等人提出[7]，同樣用于學(xué)習(xí)文檔表示,。該模型在構(gòu)建的過程中,，在獲取上下文單詞信息的同時，增加了一個段落標記,，能夠更精確地表示原始文本,。但是在實際應(yīng)用中Doc2Vec需要大量數(shù)據(jù)進行訓(xùn)練才能有較好的效果，當數(shù)據(jù)量不足時,，提取信息不充分,，結(jié)果產(chǎn)生的偶然性較大。

    主題模型由于可以發(fā)掘深層次的語義信息,，因此在構(gòu)建文本表示模型時也可以達到較好的效果,。2003年BLEI D M、JORDAN M I等人提出了潛在狄利克雷分布[8],，首次將狄利克雷先驗分布加入到文檔,、主題、詞的多項式分布中,，效果顯著,。LDA是一種從大量文檔中發(fā)現(xiàn)潛在主題的概率主題模型，它從文本的統(tǒng)計學(xué)特性入手,，將文本語料庫映射到各個主題空間中,，從而發(fā)掘文本中各主題與詞語之間的對應(yīng)關(guān)系，得到文本的主題分布[9],。它通常被認為是一種通過對不同主題中的單詞進行分組的特征約簡方法,，因此可以將文檔映射到更低的維度空間。但LDA沒有考慮詞語的前后文關(guān)聯(lián),，構(gòu)建出的文本向量比較稀疏,，在表示原始文本的信息方面效果一般。

    本文嘗試將LDA和Doc2Vec進行融合,。LDA從每個文檔到所有主題的全局關(guān)系建模,，而Doc2Vec則通過從目標單詞的上下文中學(xué)習(xí)來捕獲這些關(guān)系。發(fā)揮這兩種模型各自的優(yōu)點,，從而產(chǎn)生比傳統(tǒng)模型更高的準確率判斷,。




論文詳細內(nèi)容請下載http://forexkbc.com/resource/share/2000002836




作者信息:

肖  晗1，毛雪松1,，朱澤德2

(1.武漢科技大學(xué) 信息科學(xué)與工程學(xué)院,，湖北 武漢430081,；

2.中科院合肥技術(shù)創(chuàng)新工程院，安徽 合肥230031)


此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。