[发明专利]一种基于异构物品使用事件的物品语意标注方法

摘要

本发明涉及一种基于异构物品使用事件的物品语意标注方法，包括以下步骤：1)建立物品潜在关系强度挖掘模型；2)提取物品隐式特征；3)提取物品显示特征；4)训练物品语义标注模型；提取上述四种特征后，将(FLatent+Ftext+FS+FT)组合在一起作为二分类SVM分类器的训练数据，由所有独立二分类器预测的标签聚合作为物品的语义标注结果。本发明的有益效果是：本发明是基于异构物品使用事件建立物品隐式关系强度的潜变量模型，从中提取物品隐式特征，并综合利用显示与隐式特征预测给定物品的类别语义标签，本方法在效率、性能等方面显著优于基于显式特征的现有物品标注方法。

主权项

1.一种基于异构物品使用事件的物品语意标注方法，其特征在于，包括以下步骤：1)建立物品潜在关系强度挖掘模型：定义为物品o_i和o_j之间的使用事件，I^(ij)为物品o_i与o_j之间的潜在关系强度,为物品之间属性相似度的评价指标，表示一些为了增加模型准确性引入的辅助变量；对物品潜在关系强度与其使用事件的频率之间的关系进行分析与变换可以得到如下表述形式：对凸函数L使用随机梯度下降法来估计参数αl，βl，θl和Iij，求解一阶导数与二阶导数，使用Netwton‑Raphson算法在每次迭代过程中更新参数∑＝{α，β，θ，ω}直至收敛；2)提取物品隐式特征：定义G＝表示物品的top‑k关系图,其中V＝Vs∪Vr是关系图的顶点集，其中Vs是已经标注的物品集，Vr是未标注的物品集，E图G的边集合；对于oi，oj∈Vs,定义Wij＝1，如果oi和oj具有相同的类别标签,否则为0；如果oi，oj中至少一个物品未标注,Wij的值由上述公式确定：其中Ωi＝[Ωj1，Ωj2，...，Ωjk]为物品oi在top‑k关系图中的k近邻集,η是一个权重调节参数；定义τi表明物品oi具有语义标签μ，μ∈U，定义P(τi＝μ|i)，μ∈U为物品oi可能具有语义标签μ的概率,为未标注物品初始化P(τi＝μ|i)＝1/|U|,如果物品oi具有语义标签μ则初始化P(τi＝μ|i)＝1，否则初始化P(τi＝μ|i)＝0；利用随机游走为每个物品计算P(τi＝μ|i)，μ∈U；随机游走过程表示为如下公式：Pt+l(τi＝μ|Ωi)＝(1‑λ)MPt(Ωi)+λPr(τi＝μ|Ωi)当随机游走过程收敛时，可以获得物品oi上的每个标签的概率估计值，并将其作为隐式特征FLatent训练分类器；3)提取物品显示特征：利用文档频率/逆文档频率从文本资料中提取关键字，并将关键字的权重作为基本文字的显示特征F_text；将空间模式定义为F维向量：F_s(i)＝[SFⁱ(loc₁)，SFⁱ(loc₂)，...，SFⁱ(loc_F)]；其中SFⁱ(loc_k)通过公式计算，Nⁱ(loc_k)为在位置loc_k发生的物品使用事件中包括物品o_i的数目,为所有涉及物品o_i的使用事件数量,F是位置类别数目；将时间模式定义为一个T维向量：F_T(i)＝[TFⁱ(t₁)，TFⁱ(t₂)，...，TFⁱ(t_T)],其中TFⁱ(t_k)通过进行计算，其中Nⁱ(t_k)为在时间戳t_k发生的物品使用事件中包括物品o_i的事件数目,为所有涉及物品o_i的使用事件数量，T为时间戳数目；4)训练物品语义标注模型：提取上述四种特征后，将(FLatent+Ftext+FS+FT)组合在一起作为二分类SVM分类器的训练数据，由所有独立二分类器预测的标签聚合作为物品的语义标注结果。