面向網(wǎng)絡(luò)論壇話題發(fā)現(xiàn)的文本處理技術(shù)研究

吳伊萍

（1.華僑大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，福建 泉州 362021；2.泉州師范學(xué)院 數(shù)學(xué)與計算機科學(xué)學(xué)院，福建 泉州 362000）

面向網(wǎng)絡(luò)論壇話題發(fā)現(xiàn)的文本處理技術(shù)研究

吳伊萍1,2

（1.華僑大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，福建 泉州 362021；2.泉州師范學(xué)院 數(shù)學(xué)與計算機科學(xué)學(xué)院，福建 泉州 362000）

論壇、博客、微博、QQ空間等都是重要的網(wǎng)絡(luò)社交載體，但各自的網(wǎng)頁結(jié)構(gòu)和語言風(fēng)格又有差異.本文根據(jù)網(wǎng)絡(luò)論壇的網(wǎng)頁結(jié)構(gòu)和數(shù)據(jù)特點，闡述了應(yīng)用于話題檢測的網(wǎng)絡(luò)論壇數(shù)據(jù)處理的相關(guān)技術(shù)，包括文本預(yù)處理和特征選擇技術(shù).介紹了這些技術(shù)的發(fā)展現(xiàn)狀和研究成果，論述了命名實體信息在論壇話題檢測中的作用，討論了論壇中時間信息的識別與規(guī)范化處理.

網(wǎng)絡(luò)論壇；話題檢測；特征選擇；命名實體

互聯(lián)網(wǎng)是把雙刃劍，它既提供了大量進步、健康、有益的信息，也滋生了不少反動、迷信、低級的誤導(dǎo)性言論.互聯(lián)網(wǎng)的開放性、虛擬性、隱蔽性和隨意性等特點，使得越來越多的網(wǎng)民通過互聯(lián)網(wǎng)傳播信息，表達觀點，互聯(lián)網(wǎng)已成為最草根、最有效的監(jiān)督平臺.在當(dāng)前動蕩的政治、經(jīng)濟環(huán)境下，論壇、博客、微博和各種聊天工具成為當(dāng)今網(wǎng)絡(luò)信息傳播的主要載體.地方網(wǎng)絡(luò)論壇聚焦著當(dāng)?shù)氐母黝愋畔ⅲ揖哂袀鞑タ焖佟⒎从硰娏摇⒂绊懘蟮奶攸c，是當(dāng)?shù)鼐W(wǎng)絡(luò)輿情的“晴雨表”.對本地論壇進行有效監(jiān)測，有利于快速了解地方信息，對一些人民群眾關(guān)注度高的問題予以及時疏導(dǎo)和解決，有利于地方經(jīng)濟、政治和社會環(huán)境的穩(wěn)定.

網(wǎng)絡(luò)論壇具有不同于普通網(wǎng)頁的網(wǎng)頁結(jié)構(gòu)，數(shù)據(jù)噪音大，用戶語言主觀性強.近年來對網(wǎng)絡(luò)論壇的研究主要集中在論壇數(shù)據(jù)爬取與自動抽取，論壇影響力發(fā)現(xiàn)，論壇熱點話題發(fā)現(xiàn)，網(wǎng)絡(luò)論壇輿情監(jiān)測，BBS觀點挖掘等.本文根據(jù)網(wǎng)絡(luò)論壇的網(wǎng)頁結(jié)構(gòu)和數(shù)據(jù)特點，闡述了面向熱點話題檢測的論壇數(shù)據(jù)處理的相關(guān)技術(shù)，其中包括文本預(yù)處理和特征選擇技術(shù).文章介紹了這些技術(shù)當(dāng)前國內(nèi)外的相關(guān)研究方法、進展和工具.在特征選擇方面，突出了命名實體中地名和機構(gòu)名的重要作用，對時間信息的識別與規(guī)范化處理進行了探討.

1 相關(guān)研究工作

1.1 TDT簡介

話題發(fā)現(xiàn)研究最初起源于TDT（話題檢測與追蹤），它是1996年美國國防高級研究計劃委員會發(fā)起的，聯(lián)合卡內(nèi)基梅隆大學(xué)、Dragon系統(tǒng)公司和馬薩諸塞大學(xué)一起開展的.TDT的研究目標(biāo)是從連續(xù)的廣播、電視新聞節(jié)目的語音或文字記錄中識別出系統(tǒng)未知的話題以及與該話題相關(guān)的報道，或發(fā)現(xiàn)與某一已知話題有關(guān)的新報道.TDT評測提供了新聞方面的語料TDT2和TDT4，研究者可從LDC（Linguistic Data Consortiun）網(wǎng)站[10]上申請獲得.

最初，話題檢測是對新聞報道流依據(jù)不同的話題做聚類，使用的是文本聚類技術(shù).之后，隨著網(wǎng)絡(luò)的發(fā)展，TDT的方法和技術(shù)應(yīng)用于各大門戶網(wǎng)站取代人工完成自動專題生成和熱點新聞生成等任務(wù)，以及QQ空間、網(wǎng)絡(luò)論壇、博客等的熱點話題生成.如騰訊為每位QQ空間用戶提供熱點話題的服務(wù)，Google推出的新聞推薦等個性化的內(nèi)容服務(wù).

1.2 相關(guān)定義

定義1 輿情是指一定時期一定范圍的社會群體對某些社會現(xiàn)象的主觀反映，是民眾思想、情緒、心理、意見和要求的綜合表現(xiàn).

定義2 網(wǎng)絡(luò)論壇又稱為Internet Forum[1]，BBS，網(wǎng)絡(luò)社區(qū).維基百科[]里簡稱為論壇或討論區(qū)或討論版，它是一種提供在線討論的程序，或由這些程序建立的以在線討論為主的網(wǎng)站.雖然在技術(shù)上代替BBS服務(wù)，很多論壇還保有BBS的名稱.國內(nèi)著名的論壇有天涯論壇、西祠胡同、貓撲等.

定義3 話題在TDT中指由一個種子事件或活動以及與其直接相關(guān)的事件或活動組成的.根據(jù)話題的定義，一篇報道只要描述的事件或活動與種子事件有直接聯(lián)系，就與該話題相關(guān).在論壇中，話題又稱為線索（thread），它由首貼和回帖組成.首貼的標(biāo)題為主標(biāo)題及整個話題的標(biāo)題，回帖即為副標(biāo)題.

定義4 帖子是指論壇中的會員發(fā)表的公開的單個信息，它可以是一個發(fā)起討論話題的首貼，也可以是回復(fù)某一話題的回帖.

1.3 網(wǎng)絡(luò)論壇的網(wǎng)頁結(jié)構(gòu)與數(shù)據(jù)特點

1.3.1 網(wǎng)絡(luò)論壇的網(wǎng)頁結(jié)構(gòu)

論壇采用層次的樹形結(jié)構(gòu)，一般分為三層頁面：版塊頁面、帖子列表頁面、帖子內(nèi)容頁面.論壇版塊頁面為一個論壇的總?cè)肟冢脩艨梢詮牟煌陌鎵K入口進入相應(yīng)的帖子列表頁面.帖子列表頁面是各個帖子的集合，它包括：帖子主題、帖子作者、帖子回復(fù)數(shù)、帖子瀏覽數(shù)、最后回帖時間和作者，以及是否為精華帖、置頂帖及熱帖等屬性.帖子內(nèi)容包括首帖和回帖內(nèi)容.

論壇中站長擁有論壇的所有權(quán)，按照不同討論題材分成不同的版塊，各個版塊由版主管理，為鼓勵會員發(fā)言設(shè)有會員積分系統(tǒng).

1.3.2 網(wǎng)絡(luò)論壇的數(shù)據(jù)特點

論壇中主要包含兩類數(shù)據(jù)，一是系統(tǒng)自動生成的，如作者、發(fā)表時間、標(biāo)簽等；二是用戶創(chuàng)建的，如帖子標(biāo)題、內(nèi)容.網(wǎng)絡(luò)論壇中的數(shù)據(jù)多為短文本，具有以下特點：（1）實時性非常強，數(shù)量巨大.（2）以發(fā)表時間排序.（3）同一話題常出現(xiàn)在不同的版塊，內(nèi)容交叉、雜亂.（4）每一條消息包括正文（帖子）、標(biāo)題、作者、發(fā)帖時間等特征.（5）回帖信息多為短為本，且用語不規(guī)范，主觀性詞語多，噪音大，存在大量省略、縮寫、指代及拼寫錯誤等現(xiàn)象.（6）網(wǎng)絡(luò)論壇數(shù)據(jù)之間存在回復(fù)關(guān)系，源消息為新發(fā)布的帖子，回復(fù)消息為一個帖子的回帖.例如A為源消息，B、C、D直接回復(fù) A，E、F直接回復(fù)D，構(gòu)成的回復(fù)關(guān)系樹如圖1.（7）語義漂移：隨著消息數(shù)量的增加，消息序列上不可避免地出現(xiàn)語義漂移的現(xiàn)象，即用戶討論的中心議題發(fā)生轉(zhuǎn)變[7].

圖1 回復(fù)關(guān)系樹

2 面向網(wǎng)絡(luò)論壇話題發(fā)現(xiàn)的文本處理技術(shù)

本節(jié)介紹了文本預(yù)處理中的常用工具和主要思想，分析了網(wǎng)絡(luò)論壇特征選擇中的國內(nèi)外思路，歸納出面向本地網(wǎng)絡(luò)論壇的基于命名實體的話題檢測方法，并對時間信息的識別和規(guī)范化進行了描述.

2.1 文本預(yù)處理

文本預(yù)處理是指對抽取出的帖子進行分詞、去除停用詞、詞項歸一化，建立文檔的向量空間模型.停用詞可以使用停用詞表.論壇中的短文本數(shù)據(jù)的文本預(yù)處理與長文本相似.論壇數(shù)據(jù)文本預(yù)處理的具體的步驟如下：

2.1.1 分詞

詞是文檔的最小組成單位[9].在英文中，詞之間由空格或標(biāo)點符號分開，因此英文的分詞較容易實現(xiàn).而中文文本除了標(biāo)點符號之外詞語之間沒有明顯的分隔符.我們可以借助一些中文分詞工具.在中文分詞領(lǐng)域，研發(fā)的分詞系統(tǒng)有“庖丁解牛”Poading Analysis①，中科院的ICTCLAS分詞系統(tǒng)②，北京語言大學(xué)的GWPS系統(tǒng)③，以及哈工大的語言技術(shù)平臺LTP④.

2.1.2 去除停用詞

停用詞（stop word）是指在文本中出現(xiàn)頻率高但含義虛泛的詞語，如英語中的a，an，the，and等，中文中的“的，得，地，這，那，但是，和，然而”等.一個常用的生成停用詞表的方法是，將詞項按照文檔集頻率（每個詞項在文檔集中出現(xiàn)的頻率）從高到低排列，然后手工選擇那些語義內(nèi)容與文檔主題關(guān)系不大的高頻詞作為停用詞.

此外，一些詞項在整個文檔集中出現(xiàn)的頻率很低，也不適合作為文本的特征項，通常設(shè)定一個詞頻閾值，只要詞項頻率低于詞頻閾值的詞即被去除.

2.1.3 詞項歸一化

詞項歸一化指將看起來不完全一致的多個詞項歸納成一個等價類，以便在它們之間進行匹配.英文可以使用Wordnet，中文可以使用Hownet語義資源得出詞之間的語義相似度從而識別同義詞對，也可以使用同義詞詞典擴展.除近義詞、同義詞外，英文中還存在大小寫轉(zhuǎn)換、詞干還原和詞形歸并等問題.

2.2 特征選擇

經(jīng)文本預(yù)處理后建立的詞項-文檔矩陣是一個高維的向量空間，使用特征選擇的方法以達到降維的目的.特征選擇是從原始特征集合中選出它的一個子集來構(gòu)成新的特征空間.

Zhang Zhonghui等人[2]認(rèn)為網(wǎng)絡(luò)論壇中的文本特征選擇，一需要突出話題信息豐富的詞語；二為克服論壇文本信息長度差異顯著的不良因素，按照文本特征——人物或機構(gòu)、地點、名詞、動詞和其他五類表示，基于不同類別主題抽取特征.Hila Bechker等人[3]從社交媒體中挖掘出描述事件的文本，社交媒體中的文本內(nèi)容具有的核心特征包括：作者、標(biāo)題、標(biāo)簽、日期或時間、地點.通過這些特征識別出與某事件相關(guān)的社交站點的文本.張衛(wèi)[7]在網(wǎng)絡(luò)論壇數(shù)據(jù)的特征提取方面，考慮帖子標(biāo)題的重要性，修改權(quán)重計算TF×IDF，增加帖子標(biāo)題中單詞的權(quán)重；其次鑒于網(wǎng)絡(luò)論壇回帖多為短文本，存在關(guān)鍵詞稀疏、信息不完備，他根據(jù)帖子之間的回復(fù)關(guān)系構(gòu)建回復(fù)關(guān)系樹，根據(jù)樹上特征的傳遞調(diào)整權(quán)重.吳昊等人[8]提出基于聚類的主題發(fā)現(xiàn)，使用潛在語義分析計算回帖的相似度，結(jié)合時空因素對BBS中的主題進行聚類，發(fā)現(xiàn)主題.

簡而言之，在論壇數(shù)據(jù)的特征提取中，需根據(jù)主題類別抽取特征.一要突出話題信息豐富的詞語，如標(biāo)題、作者、人物或機構(gòu)、日期或時間、地點、動詞和名詞等.二需鑒別回帖與首貼之間的相關(guān)性，不能盲目認(rèn)為回帖數(shù)高和瀏覽數(shù)量高就是熱點話題.

2.3 網(wǎng)絡(luò)論壇中的命名實體

2.3.1 命名實體識別簡介

命名實體包括人名（People）、地名（Locations）、機構(gòu)名（Organizations）、日期（Date）、時間（Time）、數(shù)字（Digit）等.命名實體的識別是從文本中識別出現(xiàn)的專有名稱和有意義的數(shù)量短語并加以歸類.命名實體識別已有二十年左右的發(fā)展歷史，主要的方法有基于規(guī)則的方法、基于統(tǒng)計的方法和二者結(jié)合.常用的模型有隱馬爾科夫模型（HMM）和條件隨機場模型（CRF）.

命名實體的識別工具有中科院的ICTCLAS②，哈工大的LTP④、OpenNLP⑤、Stanford Named Entity Recognizer⑥等.ICTCLAS和LTP適用于中文命名實體識別，而OpenNLP和Stanford Named Entity Recognizer適用于英文命名實體識別.ICTCLAS除可以進行中文分詞外，還具有識別人名、地名和機構(gòu)名的功能.LTP中的命名實體識別模塊可識別人名、地名、機構(gòu)名、專有名詞、日期、時間和數(shù)量短語等七類實體.它采用統(tǒng)計和規(guī)則相結(jié)合的方法，先使用最大熵（ME）方法對文本初始標(biāo)注，再使用規(guī)則的方法對錯標(biāo)或漏標(biāo)結(jié)果進行修正.OpenNLP能夠識別人名、地名、機構(gòu)名、日期、時間、財務(wù)數(shù)據(jù)和百分?jǐn)?shù).Stanford Named Entity Recognizer使用條件隨機場（CRF，Conditional Random Field）序列模型從文本中抽取出機構(gòu)名、人名和地名.

2.3.2 基于命名實體的論壇話題檢測

在新聞報道的話題檢測中，同一話題內(nèi)的相關(guān)新聞報道往往被時間、地點、人物等命名實體要素所連接，合理使用命名實體有助于提升話題檢測的性能.Giridhar Kumaran等人[4]深入研究命名實體在話題檢測中的應(yīng)用效果，發(fā)現(xiàn)在不同類別的文檔中命名實體的使用效果不同.對于科技類的報道，人名和機構(gòu)名的作用更強；對于自然災(zāi)害類的報道，地名更為重要.余軍和陳曉鷗[6]對人名、地名、機構(gòu)名等中文命名實體的識別進行研究，使用CRF（條件隨機場）模型和特征模板獲得不錯的識別效果.

本地網(wǎng)絡(luò)論壇主要聚焦地方基礎(chǔ)設(shè)施建設(shè)、公共醫(yī)療、教育、住房、出行等問題，例如，溫陵社區(qū)⑦中的品讀泉州子論壇，主要版塊有：城市建設(shè)管理大家談，城市論壇，民生民聲，報料曝光，天下泉商，樓市大家談，閩南文化，新聞時評等.其中城市論壇的主題是關(guān)注發(fā)展、關(guān)注城市，反映弊端、建言獻策；民生民聲的主題是客觀反映、理性建言，關(guān)注民生、傾聽民聲.在這些版塊中，主要的話題都集中在當(dāng)?shù)匕傩丈睢⒔逃⑨t(yī)療、出行等相關(guān)的問題，因此當(dāng)?shù)氐孛C構(gòu)名在帖子中出現(xiàn)的概率也就大于其他命名實體.如圖2所示，2011年7月25日溫陵社區(qū)截圖.在網(wǎng)絡(luò)論壇的話題檢測中，合理使用命名實體將有助于改善論壇話題檢測的效果.

圖2 2011年7月25日溫陵社區(qū)截圖

2.4 網(wǎng)絡(luò)論壇中時間信息的識別與規(guī)范化

論壇的信息是動態(tài)演化的，隨著時間的變化而發(fā)展，每個話題都將經(jīng)歷出現(xiàn)、成長、成熟、消退四個階段，每個話題在不同的階段有不同的側(cè)重點，二不同時刻的話題內(nèi)容之間具有關(guān)聯(lián)性.時序性是話題的另一重要特征.

時間信息包括事件發(fā)生的時間、報道或發(fā)帖的時間、帖子的最后編輯時間.時間信息的表達包括精確的時間表達式、模糊的時間表達式和指代的時間表達.精確的時間表達，如 2011/7/22，21：34分；模糊的時間表達，如“今年年初”；指代的時間表達，如“昨天，今天下午，去年”時間信息的規(guī)范化.時間信息的識別包括時間詞語的收集和時間短語邊界信息的收集.時間信息的規(guī)范化指將所有的時間表達式表示成為統(tǒng)一的、顯示的格式.對于模糊的時間表達式和指代的時間表達根據(jù)帖子的編輯時間和發(fā)帖時間進行時間信息的規(guī)范化.規(guī)范化要處理的問題涉及：（1）時間規(guī)范形式的表達；（2）基準(zhǔn)時間的確定，以便規(guī)范相對時間信息；（3）時間指代詞的消解，以便找到對應(yīng)的精確顯示的時間表達等.規(guī)范化形式：“****年**月某**日**時**分**秒”.

由于時間信息的抽取比較困難，通常將數(shù)據(jù)按照時間目錄存放.如文件夾20110701，代表2011年7月1日的帖子.

3 總結(jié)

地方網(wǎng)絡(luò)論壇是當(dāng)?shù)孛裆⒚袂椤⒚褚獾募蟹从常瑢Ξ?dāng)?shù)卣搲M行話題檢測有利于及早發(fā)現(xiàn)不和諧因素，進行及時疏導(dǎo)解決問題.文本預(yù)處理和特征選擇技術(shù)是話題檢測的基礎(chǔ).根據(jù)不同主題，合理使用命名實體和時間信息有助于改善話題檢測的效果.今后將繼續(xù)深入本地網(wǎng)絡(luò)論壇話題檢測的相關(guān)技術(shù)，如構(gòu)建人名、地名和機構(gòu)名本體或數(shù)據(jù)庫，選擇合適的聚類技術(shù)生成初步的話題簇等.

注 釋：

①http://code.google.com/p/paoding/.

②http://ictclas.org/.

③http://democlip.blcu.edu.cn:8081/gpws/.

④http://ir.hit.edu.cn/ltp/

⑤http://incubator.apache.org/opennlp/；

⑥http://nlp.stanford.edu/software/CRF-NER.shtml.

⑦http://bbs.qzwb.com.

〔1〕Internet Forum http://en.w ikipedia.org/w iki/Internet_forum.2011-07-24.

〔2〕Zhang Zhonghui;W u Bin,Document sim ilarity measure for topic detection in BBS,FKSD 2010,2354–2357,2010

〔3〕Hila Bechker,Mor Naaman,Luis Gravano.Learning Sim ilarity Metrics for Event Identification in Social Media[C].WSDM'10,February 4-6,2010,New York City,New York,USA.

〔4〕Giridhar Kumaran,James Allan.Text classification and named entities for new event detection[C].Proceedings of the 27th annual international ACM SIGIR conference on Research and development in information retrieval,July 25-29,2004,Sheffield,United Kingdom.

〔5〕網(wǎng)絡(luò)論壇.http://zh.w ikipedia.org/.維基百科.2011-07-24.

〔6〕余軍，陳曉鷗.命名實體識別：One-at-a-time or All-atonce?Word-based or Character-based?[C].第七屆中文信息處理國際會議，2007.

〔7〕張衛(wèi).網(wǎng)絡(luò)輿情分析中的特征提取研究[D].中國科學(xué)技術(shù)大學(xué)，2008.

〔8〕吳昊，耿煥同，吳祥.一種基于聚類分析的BBS主題發(fā)現(xiàn)算法研究[J].安徽師范大學(xué)學(xué)報（自然科學(xué)版），2009（1）.

〔9〕Christoper D.Manning,Prabhakar Raghavan,H inrich Schütze.信息檢索導(dǎo)論[M].北京：人民郵電出版社，2010.

〔10〕LDC,http://www.ldc.upenn.edu/DataSheets/.2011-07-24.

TP393.094

A

1673-260X（2011）11-0032-03