法律状态公告日
法律状态信息
法律状态
2018-01-26
未缴年费专利权终止 IPC(主分类):G06N5/00 授权公告日:20110921 终止日期:20161211 申请日:20091211
专利权的终止
2015-08-12
专利权的转移 IPC(主分类):G06N5/00 变更前: 变更后: 登记生效日:20150722 申请日:20091211
专利申请权、专利权的转移
2015-05-27
专利实施许可合同备案的注销 IPC(主分类):G06N5/00 合同备案号:2014610000064 让与人:西安电子科技大学 受让人:陕西北斗康鑫信息科技股份有限公司 解除日:20150330 申请日:20091211
专利实施许可合同备案的生效、变更及注销
2014-05-28
专利实施许可合同备案的生效 IPC(主分类):G06N5/00 合同备案号:2014610000064 让与人:西安电子科技大学 受让人:陕西北斗康鑫信息科技股份有限公司 发明名称:基于可变边界支持向量机的重要信息获取方法 申请公布日:20100519 授权公告日:20110921 许可种类:独占许可 备案日期:20140409 申请日:20091211
专利实施许可合同备案的生效、变更及注销
2011-09-21
授权
授权
2010-07-07
实质审查的生效 IPC(主分类):G06N5/00 申请日:20091211
实质审查的生效
2010-05-19
公开
公开
查看全部
技术领域
本发明属于信息的获取技术领域,特别是一种重要信息获取方法,该方法可应用于信息重要度评级,及产品质量的评价。
背景技术
目前,随着科技的发展,互联网提供了海量信息资源,所以是否能够得到我们想要的重要信息,变得越来越重要。在信息获取的方法中,信息检索及搜索引擎的应用是一个重要的途径。在搜索引擎中,核心是如何按人们的需求来提供信息,及对所获得的信息如何进行评级。
在信息获取方法中,首先要确定信息需求,即给定我们感兴趣的查询,其次,针对查询对信息进行收集,然后对信息进行评价,信息评价系统是信息的获取至关重要的一步,是对每个返回样本进行评级,给它们相应的评价分数,这些分数反映了各个样本所含信息的重要度信息评价系统的优劣,决定着我们最后能否获取想要的信息。该信息评价系统是通过机器学习的方法,在训练样本集训练得到的。
在信息评级过程中,对式比较是比较常用的方法。在返回的信息文本样本中,通过对两两样本的对比,来确定信息的重要程度,是有监督的方法。两个样本组成一个样本对,把这对样本看成一个对式样本,并给定标签,这就可以用有监督分类的方法来解决这类问题。
1998年,谷歌的创始人布林与谢奇提出了Pagerank的方法,用于网页信息的评级。但只是对单一特征进行处理,不能够全部反映信息的重要度。在信息评级中,支持向量机是一个重要评价方法,可处理多种特征,更能反映信息的全部内容。2000年,Herbrich提出将支持向量机理论应用于有序回归,首次提出排序支撑向量机,从对式样本的训练中,得到信息评价系统,来用于评价信息的重要性。2002年,Joachims从另一个角度推出通过对式样本训练得到支持向量机评价模型,应用于信息评分。虽然二者的采样模型有所不同,但都是用分类的方法来研究信息的评级,即通过对式样本的分类训练,得到信息评价模型。
以上两种支持向量机信息评价方法,虽然可处理多维的特征,但在训练过程中,都没有考虑信息重要程度之间的差异性。因为当训练集的重要程度判断多于两种时,对式样本的所含信息,是有差异的。假设训练集的样本重要度标签有Y={1,2,3,4,5},重要度值为5的样本重要度值为1的样本,组成的对式样本和重要度值为3的样本与重要度值为2的样本组成的对式样本,其标签都是1,被同等的对待了。而上述的支持向量机信息评价方法中,其支撑向量机优化过程中约束条件的边界都是不变的,因此不能体现对式样本的信息差异性,这样就损失了很重要的信息,使信息评级的结果不准确。
发明内容
本发明的目的在于克服上述方法中的不足,提供一种基于可变边界的支撑向量机信息获取方法,将对式样本之间的差异性信息引入支撑向量机的优化中,使样本的训练更为有效,保证对重要信息的获取,提高信息评级结果的准确性。
为实现上述目的,本发明包括如下:
搜集需求信息步骤;针对待评价信息对象,通过smart搜索引擎,按照查询需求,将需收集的信息提取成一个文本集合;
信息预处理步骤:利用文本集合的词频和逆向文件频率的t维原始特征t>44,对文本集合进行特征提取,将这些提取的特征转换为45维数值特征向量,对这些特征向量进行降维,得到样本集(xi,yi),i=1.......n,x1,…xn是二维样本特征矢量,yi为样本重要度标识,n为样本数;
信息评价模型的训练步骤:
将上步得到的样本集中的r个样本作为原始训练集r<n,在原始训练集((x1,y1),…,(xr,yr))中,由任意两个二维样本特征矢量形成对式样本(xi(1),xi(2)),若第一样本特征矢量xi(1)的重要度标识大于第二样本特征矢量xi(2)的重要度标识,则将对式样本(xi(1),xi(2))标识为zi=1,反之zi=-1,构造出新的训练集:{(xi(1),xi(2)),zi,di},i=1,2,…m,m=O(n2),m为新训练集样本数,
利用可变边界的支撑向量机信息评价方法,对新的训练集进行训练,得到信息评价函数f(x)=w·x,w为训练得到的权值参数,x为输入的二维样本特征矢量;
重要信息的获取步骤:在信息评价函数f(x)=w·x中输入待评价信息的样本特征矢量,按照这些特征矢量的函数值大小,进行降序排列,将排在前面的样本,作为要获取的重要信息。
本发明由于在信息评价模型的训练步骤中引入可变边界因子,将对式样本之间的差异性信息引入支撑向量机的优化中,能够体现每个对式样本的重要程度差异,使样本的训练更为有效,提高了信息评级结果的准确性,从而保证了获取重要信息的平均准确率。
附图说明
图1是本发明的实现流程图;
图2是本发明的信息评价模型的训练过程流程图;
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,针对待评价信息对象,通过smart搜索引擎,按照查询需求,将需收集的信息提取成一个文本集合;
步骤2,利用文本集合的词频和逆向文件频率的t维原始特征t>44,对文本集合进行特征提取,将这些提取的特征转换为45维数值特征向量,对这些特征向量进行降维,得到样本集(xi,yi),i=1.......n,n为样本数,x1,…xn是二维样本特征矢量,yi为样本重要度标识,yi∈{2,1,0},‘2’代表该样本所含信息是最重要,‘1’代表部分重要,‘0’代表完全不重要;
步骤3,构造新的训练集。
将步骤2得到的样本集中的r个样本作为原始训练集r<n,在原始训练集((x1,y1),…,(xr,yr))中,由任意两个二维样本特征矢量形成对式样本(xi(1),xi(2)),若第一样本特征矢量xi(1)的重要度标识大于第二样本特征矢量xi(2)的重要度标识,则将对式样本(xi(1),xi(2))标识为zi=1,反之zi=-1,构造出新的训练集:{(xi(1),xi(2)),zi,di},i=1,2,…m,m=O(n2),m为新训练集样本数,
步骤4,信息评价模型的训练。
参照图2,利用可变边界的支撑向量机信息评价方法,对新的训练集进行如下训练:
(4a)输入训练样本集{(xi(1),xi(2)),zi,di},i=1,2,…m;
(4b)根据支撑向量机理论,通过下式计算输入训练集的权值参数w:
式中,zi为第i个样本的标识,di为可变边界因子,
αi为未知的拉格朗日因子,0≤αi≤C,该拉格朗日因子通过如下二次规划公式求解:
xi(1)为第i个对式样本的第一样本特征矢量,xi(2)为第i个对式样本的第一样本特征矢量,xj(1)为第j个对式样本的第一样本特征矢量,xj(2)为第j个对式样本的第一样本特征矢量,zj为第j个样本的标识。
步骤5,将输入训练集的权值参数w和待评价信息的样本特征矢量x,输入到信息评价函数f(x)=w·x中,按照这些特征矢量的函数值大小,对待评价样本进行降序排列,这些样本就形成一个有序列表,将排在列表前面的样本,作为要获取的重要信息。
本发明的效果可以通过以下仿真实验进一步说明:
本发明对OHSUMED数据集进行实验,并将本发明与现有的ranksvm方法比较。
OHSUMED数据集来源于美国医疗信息数据库MEDLINE。它包含了106组医疗类信息样本,每组样本数量不等,样本有45维原始特征,其样本重要度标识y∈{2,1,0},‘2’代表该样本所含信息是最重要,‘1’代表部分重要,‘0’代表完全不重要。
每组样本应用PCA方法对原始45维特征进行降维,得到样本集(xi,yi),x1,…xn是二维样本特征矢量,i=1.......n,n为每组样本的样本数。
PCA(principal component analysis),即主成分分析,是一种寻找均方意义下最能够代表原始数据的投影方法。PCA通过提取云团散布最大方向的方法,达到了对特征空间进行降维的目的。
我们采用了最普遍的评价标准:平均准确率(Mean Average Precision),简称为MAP它衡量获取重要信息的平均准确率。
MAP只能评价两种标识的数据集。因此在计算MAP值时,我们将数据集中原来标识‘2’和标识‘1’的样本都标识为‘1’,其余的样本不变。第i组实验中,平均准确率计算公式如下:
在输出的有序列表中,当第j个位置的样本的标识为‘1’时,pos(i)=1;反之,pos(i)=0。
h表示有序列表中样本标识为‘1’的样本个数,hj表示在有序列表的前j个样本中标识为‘1’的样本个数,N表示有序列表的样本个数。
1、仿真条件与内容
实验选取OHSUMED数据集106组数据中的8组样本,进行8组实验,实验的运行环境都是Matlab7.0.1。8组数据分别为OHSUMED数据集中的第1组,第5组,第6组,第7组,第9组,第10组,第11组,第13组数据。第1组样本数为130,第5组样本数为56,第6组样本数为153,第7组样本数为54,第9组样本数为139,第10组样本数为34,第11组样本数为95,第13组样本数为95。在每组实验中,把每组样本分为不相交的4份,每份有n/4个样本。每组样本进行4次实验,每次实验时,三份样本作为训练集,一份样本作为测试集。
2、仿真实验结果
每组样本进行4次实验,记录每次实验得到的平均准确率,4次的平均准确率取平均。实验结果如表1所示,C表示支撑向量机的折中系数,实验中从{1,10,100,1000}选择。
表1.平均准确率比较
从表1的仿真结果可以看出,在8组数据的仿真中,本发明方法获取重要信息的平均准确率都要高于现有ranksvm方法。
机译: 使用基于向量的相对重要性测度生成优化结果集的系统和方法
机译: AI该系统和方法利用深度学习培训模块和基于人工智能的优先级排序框架模块为法律专家提供最佳答案,并利用字符串字典模块提供在线法律词典,该模块将法律信息转换为重要向量
机译: AI该系统和方法利用深度学习培训模块和基于人工智能的优先级排序框架模块为法律专家提供最佳答案,并利用字符串字典模块提供在线法律词典,该模块将法律信息转换为重要向量