主权项 |
一种面向迁移学习的文本特征提取方法,其特征在于,该方法包括以下步骤:第一个阶段:针对所有训练文本进行文本特征的提取,得到候选文本特征:训练文本中既包括少量新文本也包括大量旧文本,其中新文本来源于目标领域,旧文本来源于目标领域或者其它领域,经过第一阶段的文本特征提取过程,将其中包含领域信息较少,对文本区分度不高的文本特征过滤掉;对训练文本中包含的所有候选文本特征,计算其权值并排序,提取前面若干个作为第一阶段提取的文本特征,第一阶段提取的文本特征数量α*K个文本特征应该大于最终期望得到的数量,α>1;第二个阶段:对从第一阶段提取的α*K个文本特征t在新、旧文本中的分布进行度量,以判断某个文本特征在新、旧文本中的重要程度;采用公式(1)和(2)分别逐一计算α*K个文本特征t在新、旧文本中的分布;wsame(t,Csame)=f(t,Csame)*n(t,Csame)/N(Csame)(1)wdif(t,Cdif)=f(t,Cdif)*n(t,Cdif)/N(Cdif)(2)其中,Csame和Cdif分别表示训练文本中的新、旧文本,f(t,Csame)和f(t,Cdif)分别表示文本特征t在新、旧文本中出现的次数,n(t,Csame)和n(t,Cdif)分别表示新、旧文本中出现文本特征t的文本数,N(Csame)和N(Cdif)分别为新、旧文本中的文本总数,wsame(t,Csame)和wdif(t,Cdif)分别表示文本特征t在新、旧文本中的分布。再根据上述公式(2)和公式(3)的计算结果,逐一代入公式(3),计算文本特征t的权值max{wsame(t,Csame),wdif(t,Cdif)}/min{wsame(t,Csame),wdif(t,Cdif)}(3)将这α*K个文本特征按权重排序,选取权重最小的K个文本特征;所得到的这K个文本特征即按本发明方法提取的文本特征。 |