文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.211437
中文引用格式： 楊政，尹春林，蔡迪，等. 一種基于成詞率和譜聚類的電力文本領(lǐng)域詞發(fā)現(xiàn)方法[J].電子技術(shù)應(yīng)用，2021，47(10)：29-32，37.
英文引用格式： Yang Zheng，Yin Chunlin，Cai Di，et al. A power text domain word discovery method based on word formation rate and spectral clustering[J]. Application of Electronic Technique，2021，47(10)：29-32，37.
0 引言
針對特定領(lǐng)域的文本數(shù)據(jù)，領(lǐng)域詞的詞庫構(gòu)建是最為關(guān)鍵的任務(wù)之一。傳統(tǒng)領(lǐng)域詞發(fā)現(xiàn)方法依賴互信息或鄰接熵得到候選詞集，進(jìn)而利用word2vec進(jìn)行詞向量轉(zhuǎn)化、K-means進(jìn)行聚類[1]，最終得到行業(yè)領(lǐng)域詞。傳統(tǒng)方法對詞語組合規(guī)律運(yùn)用得不夠全面，因此這類方法篩選的候選詞集存在諸多不合理的詞語。領(lǐng)域詞發(fā)現(xiàn)分為候選詞集篩選與字符串過濾兩個(gè)步驟。
在候選詞集篩選方面，領(lǐng)域詞發(fā)現(xiàn)算法主要是基于詞語統(tǒng)計(jì)特性的無監(jiān)督方法或序列模式機(jī)器學(xué)習(xí)的有監(jiān)督算法?；跓o監(jiān)督的方法中，互信息和凝固度是最常見的用來篩選詞語的度量，劉偉童等[2]提出使用互信息初步篩選詞集，隨后用鄰接熵對詞集進(jìn)行再過濾的方法。劉昱彤等[3]使用改進(jìn)的類Apriori算法，通過組合、統(tǒng)計(jì)頻率、過濾3個(gè)步驟來篩選候選詞集。杜麗萍等[4]提出利用改進(jìn)的互信息，同時(shí)結(jié)合一定的構(gòu)詞規(guī)則篩選候選詞集。無監(jiān)督算法泛化性優(yōu)良，但缺少規(guī)則，會遺留有較多垃圾串與非領(lǐng)域詞?；诒O(jiān)督的機(jī)器學(xué)習(xí)詞集篩選方法有馬建紅等[5]提出的基于CNN和LSTM抽取詞特征，隨后使用半馬爾科夫條件隨機(jī)場(SCRF)來識別詞語邊界。Fu Guohong等[6]在隱馬爾可夫模型(HMM)的框架下運(yùn)用命名實(shí)體識別(NER)的思路，同時(shí)結(jié)合上下文篩選出候選詞集。陳飛等[7]提出運(yùn)用條件隨機(jī)場來判斷分詞的詞匯邊界是否為候選詞邊界的方法。監(jiān)督方法通常需要大量標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，耗費(fèi)高額的人工成本。此外，部分方法選擇基于純規(guī)則的構(gòu)詞法[8-9](即漢語成詞規(guī)則)與一些領(lǐng)域先驗(yàn)知識結(jié)合，進(jìn)行候選詞集的篩選。這種方式雖然準(zhǔn)確性相對較高，但是規(guī)則維護(hù)復(fù)雜，基本無跨域能力。
本文詳細(xì)內(nèi)容請下載：http://www.shi-ke.cn/resource/share/2000003777。
作者信息：
楊 政1，尹春林1，蔡 迪2，李慧斌2
(1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，云南 昆明650217；2.西安交通大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)學(xué)院，陜西 西安710049)
