7.8.2. Рубрицирование, основанное на примерах

Системы автоматического рубрицирования, основанные на примерах, рассматривают в качестве понятий, которым нужно обучиться, рубрики. Машинное обучение производится на основе примеров текстов, которые были заранее отрубрицированы экспертом вручную.

Выделяют статистические и нейросетевые методы рубрицирования.

Статистическое рубрицирование состоит в определении степени соответствия терминологического портрета документа и терминологического портрета рубрик на основе статистических характеристик субъектов сравнения. Под терминологическим портретом документа понимают совокупность наиболее важных терминов, содержащихся в тексте документа. В качестве показателя важности термина в документе может быть использована частота его встречаемости. Под терминологическим портретом рубрики понимается набор наиболее характерных для этой рубрики терминов с их весами. Таким образом, семантика рубрики задается однозначно только ее терминологическим портретом.

Формирование терминологических портретов каждой рубрики производится с помощью одной из технологий обучения рубрикатора. При этом роль эксперта сводится к формированию для каждой рубрики обучающей выборки – совокупности максимально коротких фрагментов текстов, содержащих полное и минимально избыточное лингвистическое наполнение одной обучаемой рубрики.

Выделение характеристических терминов для рубрики производится автоматически, на основе их весов, которые могут быть получены в процессе анализа обучающей выборки. Например,

= log ,

где - количество документов в обучающей выборке, принадлежащих рубрике , - количество документов в обучающей выборке, принадлежащих рубрике и содержащих термин . Список характеристических терминов упорядочен по убыванию весов терминов в ней.

Таким образом, единую модель для всех рубрик одного рубрикатора можно представить в виде двухмерной матрицы весов{ }. Рубрицирование выполняется по некоторому решающему правилу, учитывающему как важность терминов в документе, так и их веса для рубрик. Например, можно считать, что документ принадлежит рубрике , если

 ,

где - частота встречаемости термина в документе, - пороговое значение для рубрики . Значение левой части выражения может использоваться в качестве количественной оценки релевантности документов рубрикам.

Пороговые значения для каждой из рубрик определяются таким образом, чтобы при применении решающего правила ко всей обучающей выборке к данной рубрике было отнесено максимальное количество релевантных и минимальное количество не релевантных ей текстов. Вычисление может производиться как c помощью математических методов, так и эмпирическим путем.

К достоинством метода относятся:

• простота определения семантики рубрики, позволяющая автоматизировать обучение рубрик;

• универсальность подхода для очень широкого класса предметных областей;

• наличие аппарата количественной оценки релевантности документов рубрикам;

• высокое быстродействие.

Недостатком метода является относительно низкое качество рубрицирования.

Нейросетевой метод рубрицирования использует нейронные сети (НС) в качестве обучаемого классификатора. Считается, что в наличии имеется подборка примеров текстов, каждый из которых помечен как релевантный или нерелевантный определенной рубрике. Задача НС, обученной на этих примерах, состоит в определении степени релевантности любого нового текста данной рубрике. Этот подход предполагает, что семантика рубрики однозначно задается примерами принадлежащих ей текстов.

Достоинствами НС являются строгое математическое обоснование и большое быстродействие. К недостаткам НС относятся скрытый механизм функционирования и длительный процесс обучения.