[发明专利]一种基于实体突发特征的文本表示方法

权利要求书

1.一种基于实体突发特征的文本表示方法，其特征在于，包括下列步骤：

步骤1：建立基于实体突发特征的文本表示向量；

步骤2：抽取实体-文档对的语义特征并将其融入到步骤1中得到的文本表示向量中；

步骤3：建立实体-文档的Logistic Regression分类模型并给定实体-文档训练集，利用步骤2中得到的文本表示向量学习Logistic Regression实体-文档分类模型，之后对实体-文档测试集数据进行分类。

2.如权利要求1所述的一种基于实体突发特征的文本表示方法，其特征在于，所述步骤1具体包括：

步骤1.1：确定目标实体e及相应的查询数量序列V＝(v₁，v₂,…,v_e)，通过目标实体突发期检测算法计算得到目标实体e的突发期序列及其对应的权重，记实体e的所有压缩突发期构成的集合为e_b＝{B_i[t_start,t_end]|i＝1,…,|e_b|},其中|e_b|表示目标实体e所有压缩突发期对应集合的大小；t_start为突发期的开始时间，t_end为突发期结束时间；B_i[t_start,t_end]为实体e的第i个突发期；

步骤1.2：确定实体-文档对(e,d)，利用实体突发特征词袋模型表示实体-文档对(e,d)为一个向量，记为

f(e,d)＝(f₁(e,d),f₂(e,d),…,f|e_b|(e,d)) (1)

步骤1.3：建立文档d与目标实体e之间的时间相关性，则向量f(e,d)的第j个分量f_j(e,d)的权值为：

式(2)中，t表示文档d发表的时间。

3.如权利要求2所述的一种基于实体突发特征的文本表示方法，其特征在于，所述步骤1.1中目标实体突发期检测算法的计算步骤包括：

步骤1.1.1：对实体查询量序列V＝(v₁，v₂,…,v_e)进行归一化；

步骤1.1.2：给定滑动窗口的宽度w，通过以下公式计算移动平均序列MA_w，

式(3)中，偏移量offset为窗口宽度的一半w/2；

步骤1.1.3：计算拐点cutoff,cutoff＝mean(MA_w)+β·stdev(MA_w)；

步骤1.1.4：计算目标实体突发序列集d＝{i|MA_w(i)≥cutoff}；

步骤1.1.5：计算目标实体突发期的权重：

步骤1.1.6：把目标实体的连续突发期压缩合并为分片连续的突发期，并计算压缩合并后的实体突发期权重bw(t_start,t_end)，其权重为各连续突发期权重的算术平均值；

步骤1.1.7：返回目标实体突发期及其对应的权重。

4.如权利要求3所述的一种基于实体突发特征的文本表示方法，其特征在于，所述步骤2具体包括：

步骤2.1：抽取实体-文档对的语义特征如下：

表1 实体-文档(e,d)对的语义特征

步骤2.2：将抽取的实体-文档对的语义特征融入到步骤1中得到的文本表示向量中得到：

f(e,d)＝[f₁(e,d),…,f|e_b|(e,d),N um(e_rel),…,weekday(d)] (5)。

5.如权利要求4所述的一种基于实体突发特征的文本表示方法，其特征在于，所述步骤3具体包括：

步骤3.1：建立实体-文档的Logistic Regression分类模型如下：

式(6)中，P(r|e,d)表示实体e和文档d相关性度量，r∈{-1,1}为二元随机变量，r取1表示文档d与目标实体e相关，r取-1表示文档d与目标实体e无关；K为(e,d)对应的特征向量的个数；σ(x)＝1/(1+exp(-x))是Sigmoid函数；ω_i是特征向量第i个分量的组合系数，其中w₀＝b为常数项，f₀＝1；

步骤3.2：令T＝{(e,d_v)|v＝1,…,N}}表示实体-文档对训练集合，R＝{r_ev|v＝1,…,N}是对应训练集的相关性判别标签集合，则训练集T的似然函数为：

步骤3.3：对式(7)通过极大化对数似然函数求w_i的局部最优解，记为将其代入实体-文档的Logistic Regression分类模型，得到实体-文档的相关性分类模型，如下式

步骤3.4：利用步骤3.3学习到的实体-文档的Logistic Regression分类模型，对实体-文档测试集数据进行分类。