[发明专利]一种基于半监督的主题模型文本分类方法

权利要求书

1.一种基于领域本体的潜在语义扩展算法，其特征在于：首先定义描述 分类文本的关键词词组，该词组来源于领域本体的不同属性类，待分类文本中 的词全部初始化为噪声。基于公式(1)迭代计算各词属于有效信息的概率。

p(x)=nkt[x][k]nktSum[k]*Σnmk[m][k]*con[x]nmkSum[m]*log(C+0.1)---(1)]]>

式中，k的取值范围为{0,1}，即代表噪声或有效信息，m为文档集内文档 数目，x为词条的编号，用于区分不同的词。p(x)表示该词属于有效信息的概 率，nkt代表关键词x分配为有效信息的次数，nktSum代表有效信息的总词数， nmk代表文档m中属于有效信息的词的个数，nmkSum代表文档m的总词数,con 代表关键词x对所属分类别的贡献度。参数C表示文档m中，描述领域本体不 同属性维度的词的类数。

2.根据权利要求1所述基于领域本体的潜在语义扩展算法，其特征在于 基于如下假设：文本分为相关文本和不相干文本，相关文本包括主题相关的有 效信息和主题无关的噪声，其中噪声和有效信息服从二项分布，在有效信息中， 各关键词的分布服从多项式分布。每个相关文本通过对有效信息和噪声的抽样 生成。通过采样并计算上述分布的最优解，即为所需的噪声与有效信息的分布。

3.一种基于有效信息集合的文本距离计算方法。其特征在于，应用上述 基于领域本体的潜在语义扩展算法，获取到描述类别信息的有效信息集合，应 用公式(2)计算各文本属于待分类项的概率。

F(m)=Σnmk[m][k]*con[x]nmkSum[m]*log(C+0.1)---(2)]]>

式中，F(m)表示文章m属于有效信息的得分，nmk代表文档m中属于有效 信息的词的个数，nmkSum代表文档m的总词数,con代表关键词x对所属分类 别的贡献度。参数C表示文档m中，描述领域本体不同属性维度的词的类数。