一种基于多流行关联矩阵分解的无障碍文本展现方法

摘要

基于多流行关联矩阵分解的无障碍文本展现方法，从互联网抓取网页文本后，针对文本进行如下操作：首先对文本进行分词，提取文本统计特征信息，包括词频和反向文档频率，形成文本的TF-IDF向量化特征表示；然后构建若干文本流行和单词流行，基于多流行的关联矩阵分解考虑文本与单词之间的对偶性，获得低维的文本表示和单词表示；最后对文本的低维表示进行聚类，相同或相近主题的文本分为一组，以分组的形式重新展现文本信息。本方法的优点在于：可以更好地帮助残疾人用户分主题浏览互联网上的文本信息，并快速显示同主题的网页文本集合，增强用户的体验度。

说明书

技术领域

本发明涉及无障碍文本展现方法的技术领域，特别是基于多流行 关联矩阵分解的无障碍文本展现方法。

背景技术

我国人口基数大，组成群体呈多样化特点，而其中的重要群体残 疾人的总量已达8500万，是构建和谐社会和发展国民经济中的一支 重要力量，也是各级政府和各类团体重点帮扶的群体。据中国残疾人 联合会的统计报表发现，各类残疾人的数据在过去的几十年中呈逐年 上升趋势。在大数据驱动的信息时代，越来越多的残疾人利用快速便 捷的互联网获取日常学习和生活的信息资源，成为网民中不可忽视的 群体。在互联网这个巨大的信息共享平台上，文本媒介占据信息展现 的压倒性比例，比如时事新闻、体育报道、书评影评等的绝大部分信 息通过文本形式呈现给残疾人用户。相比普通人，许多残疾人由于身 体或心理的各种缺陷而很难有效地浏览所需的网页信息，而互联网上 的文本信息琳琅满目，因此急需发明一种无障碍的文本展现方法，方 便残疾人群体阅读互联网上的文本信息。

众所周知，各类网站上提供的网页信息组织松散，缺乏集中分类 管理，而残疾人用户仅仅有兴趣阅读某些特定主题的网页文本，这造 成文本信息丰富杂乱与残疾人阅读感兴趣的网页困难之间的矛盾。特 别对于那些听力残疾人或肢体残疾人来说，在互联网上查找并阅读网 页文本信息的步骤更加耗时，容易造成身心疲惫和精神困乏。如果能 将各类网页中的文本信息根据主题快速放到小的集合中，再依照不同 主题展现给残疾人用户，将有利于减轻网页文本阅读压力，提高文本 的阅读效率和残疾人用户的体验度。

在信息检索和数据挖掘领域，主要基于网页文本的余弦相似度并 在此基础上进行文本的聚类，形成各类主题的文本集合。在对网页文 档进行文本的TF-IDF特征提取并向量化表示后，根据文本和单词之 间的相互依存关系，使用数据挖掘中的k-means等聚类算法，可将网 页文本按照不同的主题分成多个不同子集合呈现给用户。

发明内容

为了帮助残疾人用户能够快速方便地浏览同一主题的网页文本， 以提高文本阅读的体验度，本发明提出了一种基于多流行关联矩阵分 解的无障碍文本展现方法，该方法包括以下步骤：

1、从互联网抓取网页文本后，针对文本进行以下操作：

1）对文本进行分词，提取文本统计特征信息，包括词频和反向 文档频率，形成文本的TF-IDF向量化特征表示；

2）构建若干文本流行和单词流行，基于多流行的关联矩阵分解 考虑文本与单词之间的对偶性，获得低维的文本表示和单词表示；

3）对文本的低维表示进行聚类，相同或相近主题的文本分为一 组，以分组的形式重新展现文本信息。

2、步骤1）中所述的提取文本统计特征信息具体步骤是：

1.1）每个网页文本可看成一个文档，对文本提取两种统计信息， 即词频（TF:Term Frequency）和反向文档频率（IDF:Inverse Document  Frequency），若文本中出现的单词有m个，则形成m维的TF-IDF向 量化特征表示；

1.2）对所有文本的TF-IDF特征表示进行统一的归一化处理。

3、步骤2）中所述的构建若干文本流行和单词流行具体步骤是：

2.1）流行结构能够反映数据的本征结构，它通过图拉普拉斯矩 阵进行构建，而文本流行和单词流行能分别反映文本数据和单词数据 的本征结构；

2.2）构建文本的图拉普拉斯矩阵L_s，首先从互联网上获取n个网 页文本，第i个文本的特征表示为第j个文本的特征表示为将 每个文本看成无向图上的顶点，若两个文本的欧式距离较近，则在相 应的顶点间连接一条边并赋予边权重，这样可以建立一张反映文本数 据流行结构的无向图；各文本间的关联权重组成大小为n×n的权重 矩阵W_s，对W_s的每列元素依次累加并放置在对角矩阵D_s的对角线上， D_s中非对角线上的元素均置为0，则可通过L_s＝D_s-W_s得到文本的 图拉普拉斯矩阵L_s；

2.3）构建若干文本的图拉普拉斯矩阵L_s，通过赋予无向图中所连 接边的不同权重W_s实现，即利用三种不同的权重策略：二值权重、 余弦相似度和高斯核权重；若与的欧式距离较远，即两个顶点间 无边连接，则两个文本的边权重为0；若与的欧式距离较近，即 两个顶点间有边连接，则：

a.对于二值权重，两个文本的边权重为1；

b.对于余弦相似度，两个文本的边权重为其中(·)^T表示 向量或矩阵的转置；

c.对于高斯核权重，两个文本的边权重为其中 |·|表示向量的l₂范数，实数参数σ＞0表示高斯核的带宽，通过设置 不同的带宽参数，可以得到不同的高斯核权重；

2.4）构建单词的图拉普拉斯矩阵L_f，根据文本与单词间的对偶性， 每个单词的特征表示维度为n，第i个单词的特征表示为，第j个单 词的特征表示为将每个单词看成无向图上的顶点，若两个单词的 欧式距离较近，则在相应的顶点间连接一条边并赋予边权重，这样可 以建立一张反映单词数据流行结构的无向图；各单词间的关联权重组 成大小为m×m的权重矩阵W_f，对Ｗ_f的每列元素依次累加并放置在对 角矩阵D_f的对角线上，D_f中非对角线上的元素均置为0，则可通过 L_f=D_f-W_f得到单词的图拉普拉斯矩阵L_f;

2.5）构建若干单词的图拉普拉斯矩阵L_f,其具体方法与构建若干 文本的图拉普拉斯矩阵L_s相同。

4、步骤2）中所述的基于多流行关联矩阵分解的具体步骤是：

3.1）假设从互联网获得n个文本，这些文本涉及c_s个主题，每个 文本的特征表示为矩阵的列向量，则全部文本形成一个维度为m×n 的数据矩阵X_s;组成文本的单词有m个，这些单词涉及c_f个主题，每 个单词的特征表位为矩阵的列向量，则全部单词形成一个维度为 n×m的数据矩阵X_f;由于文本与单词间的协同对偶关系，则满足 将文本和单词数据矩阵合并为一个维度为 (n+m)×(n+m)的关联矩阵$R=\left(\begin{array}{cc}0& X_f\\ X_s& 0\end{array}\right),$其中0表示全零矩阵， 其维度由文本和单词的个数确定；

3.2）将文本的数据矩阵分解成三部分，即其中大 小为m×c_f的矩阵Ｖ_f是单词的低维表示，大小为n×c_s的矩阵V_s是文本 的低维表示，大小为c_f×c_s的矩阵S_f为压缩的单词数据表示；类似地， 将单词的数据矩阵分解成三部分，即其中大小为c_s×c_f 的矩阵S_s为压缩的文本数据表示；这样，可得到大小为 (n+m)×(c_f+c_s)的关联低维表示矩阵$V=\left(\begin{array}{cc}{V}_s& 0\\ 0& V_f\end{array}\right),$其中0表示全 零矩阵，其维度由文本和单词的个数以及所涉及的主题数确定；还可 以得到大小为(c_f+c_s)×(c_f+c_s)的关联低维表示矩阵$S=\left(\begin{array}{cc}0& S_f\\ S_s& 0\end{array}\right),$其中0表示全零矩阵，其维度由文本和单词所涉及的主题数确定；

3.3）根据不同的权重策略分别构建q个文本流行和q个单词流行， 即和构建q个大小为(n+m)×(n+m)的关联 流行矩阵，则第i个关联流行矩阵表示为$L_i=\left(\begin{array}{cc}{L}_s^i& 0\\ 0& L_f^i\end{array}\right),$其中0表示 全零矩阵，其维度由文本和单词的个数确定；为了更好地逼近真实的 数据流行，赋予每个流行一个加权系数μ_i＞0，形成多个流行的线性 组合，即$L={\Sigma }_{i=1}^q{\mu }_i{L}_i,$且满足条件${\Sigma }_{i=1}^q{\mu }_i=1;$

3.4）利用多流行的关联矩阵分解最小化正则化的目标函数

${\min }_{U,V}|R-{\mathrm{VSV}}^T{|}_F^2+\mathrm{\alpha Tr}[V^T\left({\Sigma }_{i=1}^q{\mu }_i{L}_i\right)V]+\beta |\mu {|}^2,$

$s.t.{\Sigma }_{i=1}^q{\mu }_i=1,\mu \ge 0,V\ge 0,$

其中，|·|_F为矩阵范数，|·|为向量的l₂范数，Tr(·)为矩阵的迹， 正则化因子α＞0和β＞0分别用来调节流行结构的贡献以及避免过 拟合；通过求解该目标函数得到的文本低维表示，能够逼近原始文本 数据的本征结构，并同时保持文本数据和单词数据的局部几何结构， 使得相同主题的文本距离尽可能接近。

本发明提出了基于多流行关联矩阵分解的无障碍文本展现方法， 其优点在于：利用文本与单词的对偶性，对文本的统计特征表示进行 聚类处理，以使相似的文本以分组方式呈现；适用于所有类型的网页 文本信息，无需后台人工操作，可用于帮助残疾人实现无障碍网页文 本阅读，也可用于帮助普通用户提高文本阅读效率。

附图说明

图1是本发明的方法流程图。

具体实施方式

参照附图，进一步说明本发明：

一种基于多流行关联矩阵分解的无障碍文本展现方法，该方法包 括以下步骤：

1、从互联网抓取文本后，针对文本进行以下操作：

1）对文本进行分词，提取文本统计特征信息，包括词频和反向 文档频率，形成文本的TF-IDF向量化特征表示；

2）构建若干文本流行和单词流行，基于多流行的关联矩阵分解 考虑文本与单词之间的对偶性，获得低维的文本表示和单词表示；

3）对文本的低维表示进行聚类，相同或相近主题的文本分为一 组，以分组的形式重新展现文本信息。

步骤1）所述的提取文本统计特征信息的具体步骤是：

1.1）每个网页文本可看成一个文档，对文本提取两种统计信息， 即词频（TF:Term Frequency）和反向文档频率（IDF:Inverse Document  Frequency），若文本中出现的单词有m个，则形成m维的TF-IDF向 量化特征表示；

1.2）对所有文本的TF-IDF特征表示进行统一的归一化处理。

步骤2）所述的构建若干文本流行和单词流行的具体步骤是：

2.1）流行结构能够反映数据的本征结构，它通过图拉普拉斯矩 阵进行构建，而文本流行和单词流行能分别反映文本数据和单词数据 的本征结构；

2.2）构建文本的图拉普拉斯矩阵L_s，首先从互联网上获取n个网 页文本，第i个文本的特征表示为第j个文本的特征表示为将 每个文本看成无向图上的顶点，若两个文本的欧式距离较近，则在相 应的顶点间连接一条边并赋予边权重，这样可以建立一张反映文本数 据流行结构的无向图；各文本间的关联权重组成大小为n×n的权重 矩阵W_s，对W_s的每列元素依次累加并放置在对角矩阵D_s的对角线上， D_s中非对角线上的元素均置为0，则可通过L_s＝D_s-W_s得到文本的 图拉普拉斯矩阵L_s;

2.3）构建若干文本的图拉普拉斯矩阵L_s，通过赋予无向图中所连 接边的不同权重W_s实现，即利用三种不同的权重策略：二值权重、 余弦相似度和高斯核权重；若与的欧式距离较远，即两个顶点间 无边连接，则两个文本的边权重为0；若与的欧式距离较近，即 两个顶点间有边连接，则：

a.对于二值权重，两个文本的边权重为1；

b.对于余弦相似度，两个文本的边权重为其中(·)^T表示 向量或矩阵的转置；

c.对于高斯核权重，两个文本的边权重为其中 |·｜表示向量的l₂范数，实数参数σ＞0表示高斯核的带宽，通过设置 不同的带宽参数，可以得到不同的高斯核权重；

2.4）构建单词的图拉普拉斯矩阵L_f，根据文本与单词间的对偶性， 每个单词的特征表示维度为n，第i个单词的特征表示为第j个单 词的特征表示为将每个单词看成无向图上的顶点，若两个单词的 欧式距离较近，则在相应的顶点间连接一条边并赋予边权重，这样可 以建立一张反映单词数据流行结构的无向图；各单词间的关联权重组 成大小为m×m的权重矩阵W_f，对W_f的每列元素依次累加并放置在对 角矩阵D_f的对角线上，D_f中非对角线上的元素均置为0，则可通过 L_f=D_f-W_f得到单词的图拉普拉斯矩阵L_f;

2.5）构建若干单词的图拉普拉斯矩阵L_f,其具体方法与构建若干 文本的图拉普拉斯矩阵L_s相同。

步骤2）中所述的基于多流行关联矩阵分解的具体步骤是：

3.1）假设从互联网获得n个文本，这些文本涉及c_s个主题，每个 文本的特征表示为矩阵的列向量，则全部文本形成一个维度为m×n 的数据矩阵X_s;组成文本的单词有m个，这些单词涉及c_f个主题，每 个单词的特征表位为矩阵的列向量，则全部单词形成一个维度为 n×m的数据矩阵X_f;由于文本与单词间的协同对偶关系，则满足 将文本和单词数据矩阵合并为一个维度为 (n+m)×(n+m)的关联矩阵$R=\left(\begin{array}{cc}0& X_f\\ X_s& 0\end{array}\right),$其中0表示全零矩阵， 其维度由文本和单词的个数确定；

3.2）将文本的数据矩阵分解成三部分，即其中大 小为m×c_f的矩阵V_f是单词的低维表示，大小为n×c_s的矩阵V_s是文本 的低维表示，大小为c_f×c_s的矩阵S_f为压缩的单词数据表示；类似地， 将单词的数据矩阵分解成三部分，即其中大小为c_s×c_f的矩阵S_s为压缩的文本数据表示；这样，可得到大小为 (n+m)×(c_f+c_s)的关联低维表示矩阵$V=\left(\begin{array}{cc}{V}_s& 0\\ 0& V_f\end{array}\right),$其中0表示全 零矩阵，其维度由文本和单词的个数以及所涉及的主题数确定；还可 以得到大小为(c_f+c_s)×(c_f+c_s)的关联低维表示矩阵$S=\left(\begin{array}{cc}0& S_f\\ S_s& 0\end{array}\right),$其中0表示全零矩阵，其维度由文本和单词所涉及的主题数确定；

3.3）根据不同的权重策略分别构建q个文本流行和q个单词流行， 即和构建q个大小为(n+m)×(n+m)的关联 流行矩阵，则第i个关联流行矩阵表示为$L_i=\left(\begin{array}{cc}{L}_s^i& 0\\ 0& L_f^i\end{array}\right),$其中0表示 全零矩阵，其维度由文本和单词的个数确定；为了更好地逼近真实的 数据流行，赋予每个流行一个加权系数μ_i＞0，形成多个流行的线性 组合，即$L={\Sigma }_{i=1}^q{\mu }_i{L}_i,$且满足条件${\Sigma }_{i=1}^q{\mu }_i=1;$

3.4）利用多流行的关联矩阵分解最小化正则化的目标函数

${\min }_{U,V}|R-{\mathrm{VSV}}^T{|}_F^2+\mathrm{\alpha Tr}[V^T\left({\Sigma }_{i=1}^q{\mu }_i{L}_i\right)V]+\beta |\mu {|}^2,$

$s.t.{\Sigma }_{i=1}^q{\mu }_i=1,\mu \ge 0,V\ge 0,$

其中，|·|_F为矩阵范数，|·|为向量的l₂范数，Tr(·)为矩阵的迹， 正则化因子α＞0和β＞0分别用来调节流行结构的贡献以及避免过 拟合；通过求解该目标函数得到的文本低维表示，能够逼近原始文本 数据的本征结构，并同时保持文本数据和单词数据的局部几何结构， 使得相同主题的文本距离尽可能接近。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本 发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本 发明的保护范围也及于本领域技术人员根据本发明构思所能够想到 的等同技术手段。