[发明专利]一种针对互联网涉税数据的文本分类方法

权利要求书

1.一种针对互联网涉税数据的文本分类方法, 其特征在于步骤包括（1）对文本进行特征提取，（2） 对文中词语的特征进行降维处理，（3）针对基于语义的文本信息进行分类，其中：

（1）对文本进行特征提取，文本分类存在的特点是训练集较大，并且向量空间的维数较高，高维度的特征数据会加剧机器学习的负担，在不影响分类准确度的情况下,减少文本描述空间的高维特征数量是很有必要的,这个过程就是特征提取；

（2） 对文中词语的特征进行降维处理，依据特征的分类能力，采用AdaBoost算法同时进行特征选择和分类器增强；

（3）针对基于语义的文本信息进行分类，根据概念之间的语义关系，提出了如何计算两个词语之间相似度的公式如下：

Sim(A,B)= log p(common( A,B))/log p(description(A,B))    (1.1)

其中，分子部分是描述A、B共性所需要的信息量的大小，分母部分是完整的描述出A、B所需要的信息量大小，算法过程如下：

1） 计算两个义原间的相似度

义原是最基本的不可分割的最小单位，常用的义原之间的关系有上下位关系，反 义关系，同义关系等，计算义原之间的相似度采用了义原之间的主要关系即上下位关系，利用层次结构树中各个义原之间的一些关系来得到词语的相似度,两个义原间的相似度公式如式(1.2)所示：

       (1.2)

其中，上式中的α表示一个可以改变的参数，代表了相似度为0.5时的路径的长度,依据义原树的深度通常取α= 1.6，dist(s₁,s₂)代表两个义原在义原树中的距离,在研究中发现，义原之间的距离并不代表义原之间的相互关系，其实，义原之间的相对位置对他们之间的相互关系也产生较大的影响；

2） 计算出两个义项的相似度

现实生活中面对的文本不仅包含实词还有虚词，基于实词和虚词在现实中是不可以相互替换的，这里将实词和虚词之间的相似度记为零，结合虚词的概念均用句法义原或关系义原方式简单描述，仅仅计算其对应的句法义原或关系义原之间的相似度即可，两个义项的整体相似度表达式如式(1.3)所示：

         (1.3)

其中β_i(1≤i≤4) 是可变化的，一般根据经验指定，且有β₁≥β₂≥β₃≥β₄，β₁+β₂+β₃+β₄=1，因为一个概念的最主要的特征由第一义原描述式所反映的，所以其取值一般要大于0.5，当我们在实例验证时候发现，当sim₁非常小，但是sim₃或sim₄比较大时，由表达式(1.3)将得出的整体的相似度仍然较大此现象是不合理的，将表达式(1.3)进行了修改，给出如式(1.4)所示：

              (1.4)

至此，比较精确的表达出义项的相似度，但当考虑第一独立义原在整个概念描述中起至关重要的作用，同时该部分与其余部分是相互独立的，当第一义原部分的相似度比较低时，其余次要的三部分相似度对于整体相似度所起的作用也会降低，因此，对公式(1.4)进行修改为(1.5)：

   (1.5)   

至此，比较精确的表达出义项的相似度；

3） 得出词语的相似度

假设有两个词语W₁和W₂，其中W₁是由m个义项所组成，W₂是由n个义项所组成，C_1i ( i=1,…, m )和C_2j ( j=1,…, n )分别代表每个词语的义项，W₁ = { C₁₁, C ₁₂,…, C _1m}，W₂ = { C₂₁, C ₂₂，…,C_2n }，两个词语的相似度为义项C_1i和C_2j所有组合中相似度的最大值，如式(1.6)所示：

即词语的相似度为所有义项相似度的加权平均值，

   (1.6)。