面向多标签隐性知识的文本数据挖掘算法
邓乔夫1
李骁娅2
郭校君2
1.电子科技大学电子科学与工程学院,四川成都 610054;成都市经济发展研究院(成都市经济信息中心)智慧经济技术应用研究所,四川成都 6100362.成都市经济发展研究院(成都市经济信息中心)智慧经济技术应用研究所,四川成都 610036
摘要：[目的]随着社交软件用户群体的不断扩大,越来越多的平台采用多标签标注对文本信息进行分类.如何通过多标签文本数据挖掘来分析用户行为与心理,已成为当前研究的热点问题.本文基于深度主题特征提取模型,提出了一种面向多标签隐性知识的数据挖掘算法,以提升文本分类的准确性和数据挖掘的效率.[方法]针对多标签文本数据中隐性知识的显性化问题,基于SECI理论对文本信息中的隐性知识进行显性化转换,并利用循环神经网络的短时记忆能力提高隐性知识的转换效率.在此基础上,考虑到文本信息的复杂性,分别从局部特征和全局特征两个维度进行分析,并采用特征融合策略提高数据挖掘的准确性.由于文本信息前后文关联性较强,利用基于长短期记忆网络(LSTM)模型的门控机制,提取文本的上下文信息,以捕捉文本中的序列依赖关系;采用潜在狄利克雷分配(LDA)模型,对文本的主题结构进行建模,从而避免因人工标注标准差异导致的模型训练偏差;通过特征拼接的方式,并结合LDA主题模型和LSTM模型提取的局部及全局特征,以降低特征提取过程中信息丢失的风险;引入主题控制器,通过缩小推理范围,提高文本特征提取的有效性;构建基于高斯解码器的上下文主题层,计算词汇在特定主题下的条件概率矩阵,并利用高斯混合解码器优化文本主题建模,提高文本内容的扩充能力;使用Softmax函数计算各标签的概率,实现多标签文本分类.[结果]对比实验中,使用困惑度作为模型训练的评估指标.结果表明,本文模型的困惑度优于对照组(LDA主题模型与LSTM模型),验证了 LDA与LSTM结合的特征拼接策略可有效发挥两种模型的优势.此外,与NVDM、LSTM、LDA和VAETM模型进行对比,以准确率和查全率为评估指标,本文模型在准确率和查全率方面分别提升了 5.05％和2.75％,表明其在多标签文本分类任务中的有效性与优越性.[结论]对比实验结果表明,本文模型能够显著提升文本分类的性能,相比LDA主题模型和LSTM模型,在处理多标签文本时表现更优;能够高效挖掘多标签文本数据中的隐性知识,为文本分类、语义分析和信息检索等任务提供了一种高效、精准的解决方案.
关键词：多标签文本深度主题特征提取模型隐性知识循环神经网络LSTM神经网络LDA主题模型特征拼接高斯解码器
分类号：TP391.1(计算技术、计算机技术)
资助基金：四川省中小企业发展专项技术创新项目(24KCZJ0092)
论文发表日期：2025-09-25
在线出版日期：2025-10-31（本平台首次上网日期，不代表文献的发表时间）
页数：8( 594-601 )
英文信息