【文本分类】文本表示 --- VSM

要使得计算机能高效的处理真实文本，就必须找到一种理想的形式化表示方法，这种表示一方面能真实的反映文档内容(主题、领域或结构等)，另一方面也要有对不同文档的区分能力。

 

目前文本表示通常采用向量空间模型(vector space model, VSM) 。VSM是20世纪60年代末期由G. Salton等人提出的，是当前自然语言处理中常用的主流模型。

 

下面首先给出VSM设计的基本概念：

(1) 文档(document)： 通常是文章中具有一定规模的字符串。文档通常我们也叫文本。

(2) 特征项 (feature term)： 是VSM中最小的不可分的语言单元，可以是字、词、词组、短语等。一个文档内容可以被看成是它含有的特征项的集合。表示为一个向量：D(t1,t2,...,tn)，其中tk是特征项。

(3) 特征项权重 (term weight)： 对于含有n个特征项的文档D(t1,t2,..,tn)，每一个特征项tk都依据一定的原则被赋予了一个权重wk，表示该特征相在文档中的重要程度。这样一个文档D可用它含有的特征项及其特征项所对应的权重所表示： D(t1=w1,t2=w2,...,tn=wn)，简记为D(w1,w2,...,wn)，其中wk就是特征项tk的权重。

 

一个文档在上述约定下可以看成是n维空间中的一个向量，这就是VSM的基本理论基础。

 

向量空间模型在计算文档间相似程度上应用广泛。我们可以通过向量的内积运算来做到这一点：

 

VSM模型为计算机处理文本分类打下了夯实的数学基础，但是一篇文本到底用哪些特征项来表示呢？比如在《【文本分类】 概述 》文章中举的那篇NBA文本的例子，我们可以用所有标蓝的词语作为特征项来表示文本向量：

 

           D = {勒布朗-詹姆斯 ，德维恩-韦德 ，克 里斯-波什 ，新赛季 ，迈阿密热火 ，总冠军 ，热火 ，球队 ，卫冕冠军，湖人 ，凯尔特人 ，休赛期 ，联盟 }

 

 而且这些特征项在文章中的权重是如何计算的呢？ 关于这几个问题，我们都将在后面的特征提取方法和特征权重计算方法中讲到。

 

因为统计学习方法的理论基础（即文档的内容与其中所包含的词有着必然的联系，同一类文档之间总存在多个共同的词，而不同类的文档所包含的词之间差异很大。进一步的，不光是包含哪些词很重要，这些词出现的次数对分类也很重要）。使得

VSM成了适合文本分类问题的文档表示模型。在这种模型中，一篇文章被看作特征项集合来看，利用加权特征项构成向量进行文本表示，利用词频信息对文本特征进行加权。它实现起来比较简单，并且分类准确度也高，能够满足一般应用的要求。

而实际上，文本是一种信息载体，其所携带的信息由几部分组成：如组成元素本身的信息（词的信息）、组成元素之间顺序关系带来的信息以及上下文信息（更严格的说，还包括阅读者本身的背景和理解）而VSM这种文档表示模型，基本上完全忽略了除词的信息以外所有的部分，这使得它能表达的信息量存在上限，也直接导致了基于这种模型构建的文本分类系统（虽然这是目前绝对主流的做法），几乎永远也不可能达到人类的分类能力。后面我们也会谈到，相比于所谓的分类算法，对特征的选择，也就是使用哪些特征来代表一篇文档，往往更能影响分类的效果。

对于扩充文档表示模型所包含的信息量，人们也做过有益的尝试，例如被称为LSI（Latent Semantic Index潜在语义索引）的方法，就被实验证明保留了一定的语义信息（之所以说被实验证明了，是因为人们还无法在形式上严格地证明它确实保留了语义信息，而且这种语义信息并非以人可以理解的方式被保留下来），此为后话。

实际上：统计学习方法其实就是一个两阶段的解决方案，（1）训练阶段，由计算机来总结分类的规则；（2）分类阶段，给计算机一些它从来没见过的文档，让它分类 。