[发明专利]一种基于半监督的主题模型文本分类方法

摘要

本发明涉及一种半监督的主题模型的文本分类方法。本发明的方法为：根据领域本体对关键词的描述，定义关键词对领域本体的贡献度，提出基于噪声和有效信息的词的二分类方法。对于每篇文档初始化其为噪声，然后迭代计算各词属于有效信息的概率，防止有效信息被噪声淹没。迭代结束后获取到描述文本分类的有效信息集合。应用有效信息集合可计算文本属于有效文本的得分，即可完成文本分类的功能。应用该方法可对领域本体相关的文本集合进行有效的类别划分，较为准确的提取出符合约束条件的文本集合。

主权项

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\left(x\right)=\frac{nkt\[x\]\[k\]}{nktSum\[k\]}*\frac{\mathrm{\Σ}nmk\[m\]\[k\]*con\[x\]}{nmkSum\[m\]}*log(C+0.1)---\left(1\right)$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。