文本挖掘核心技術(shù)及其應(yīng)用

1、文本挖掘核心技術(shù)及其應(yīng)用 2目錄文本挖掘步驟文本挖掘功能文本挖掘應(yīng)用3文本挖掘步驟文本挖掘的一般處理過(guò)程特征的建立特征集的縮減學(xué)習(xí)與知識(shí)模式的提取知識(shí)模式模式質(zhì)量的評(píng)價(jià)文檔集4文本源原始數(shù)據(jù)預(yù)處理過(guò)濾虛詞合并詞根分詞特征表示計(jì)算權(quán)值合并特征過(guò)濾特征特征提取權(quán)值調(diào)整特征約減文本挖掘文本分類(lèi)文本聚類(lèi)關(guān)聯(lián)分析模式提取分類(lèi)模式聚類(lèi)模式關(guān)聯(lián)規(guī)則結(jié)果展示展示界面文本挖掘步驟5文本挖掘主要功能及應(yīng)用 文本挖掘應(yīng)用實(shí)現(xiàn)功能自動(dòng)分詞文檔歸類(lèi)自動(dòng)分類(lèi)自動(dòng)聚類(lèi)信息抽取文本相似性檢索自動(dòng)摘要輿情監(jiān)控垃圾郵件過(guò)濾企業(yè)競(jìng)爭(zhēng)情報(bào)系統(tǒng)電子商務(wù)客戶自動(dòng)問(wèn)答6目錄文本挖掘步驟文本挖掘功能文本挖掘應(yīng)用7自動(dòng)分詞8自動(dòng)分類(lèi)莫言對(duì)話楊

2、振寧：來(lái)生學(xué)物理，當(dāng)下夢(mèng)飛天時(shí)政社會(huì)軍事評(píng)論文化國(guó)際歷史9自動(dòng)聚類(lèi)自動(dòng)對(duì)大量無(wú)類(lèi)別的文檔進(jìn)行歸類(lèi)，把內(nèi)容相近的文檔歸為一類(lèi)，并自動(dòng)為該類(lèi)生成主題詞，為用戶確定類(lèi)目名稱提供方便。文本1文本2文本3文本4文本5類(lèi)別1：關(guān)鍵詞： 比賽、賽季、聯(lián)賽、球隊(duì)、比分、太陽(yáng)、NBA、球員隊(duì)員、領(lǐng)先類(lèi)別2：關(guān)鍵詞：旅游、黃金、游客、記者、旅行社、中國(guó)、國(guó)家、假日、北京、線路類(lèi)別3：關(guān)鍵詞：公司、企業(yè)、招聘、面試、求職、專(zhuān)業(yè)、職業(yè)、學(xué)生、大學(xué)、人才10信息抽取信息抽取是從文本中抽取指定的一類(lèi)信息（事件、事實(shí)）并將其形成結(jié)構(gòu)化的數(shù)據(jù)，填入一個(gè)數(shù)據(jù)庫(kù)中以供用戶查詢使用。會(huì)議時(shí)間會(huì)議時(shí)間1998年3月9日會(huì)議地點(diǎn)會(huì)議地

3、點(diǎn)北京會(huì)議召集者會(huì)議召集者/主持人主持人個(gè)人姓名/團(tuán)體名稱Name蔣正華機(jī)構(gòu)、職位Org/Post主席，農(nóng)工民主黨中央會(huì)議名稱會(huì)議名稱/標(biāo)標(biāo)題題中國(guó)農(nóng)工民主黨第十二屆中央常務(wù)委員會(huì)第一次會(huì)議11信息抽取12文本相似性檢索文本相似性檢索式對(duì)一篇文檔到索引庫(kù)中查找與其內(nèi)容重復(fù)率高的文檔和相似的文檔。目前應(yīng)用最廣的是論文查重。13自動(dòng)摘要對(duì)文章中的所有句子進(jìn)行權(quán)值運(yùn)算，對(duì)所有的句子按權(quán)值排列，提取出權(quán)值大的作為關(guān)鍵句，進(jìn)而形成摘要。14目錄文本挖掘步驟文本挖掘功能文本挖掘應(yīng)用15應(yīng)用文檔自動(dòng)歸類(lèi)文本源原始數(shù)據(jù)預(yù)處理過(guò)濾虛詞合并詞根分詞特征表示計(jì)算權(quán)值合并特征過(guò)濾特征特征提取權(quán)值調(diào)整特征約減文本挖掘文

4、本分類(lèi)模式提取分類(lèi)模式結(jié)果展示展示界面16應(yīng)用文檔自動(dòng)歸類(lèi)17應(yīng)用垃圾郵件過(guò)濾l商家利用電子郵件傳播大量廣告l垃圾郵件持續(xù)攀升l逐一查看郵件浪費(fèi)時(shí)間面臨的問(wèn)題l對(duì)垃圾郵件進(jìn)行過(guò)濾l對(duì)郵件進(jìn)行歸類(lèi)l郵件自動(dòng)回復(fù)關(guān)鍵需求18應(yīng)用網(wǎng)絡(luò)輿情監(jiān)控l互聯(lián)網(wǎng)的普及，網(wǎng)絡(luò)輿論熱點(diǎn)層出不窮；l民意表達(dá)向網(wǎng)絡(luò)傾斜；l網(wǎng)絡(luò)輿論一旦被錯(cuò)誤控制和引導(dǎo)，影響社會(huì)穩(wěn)定；面臨的挑戰(zhàn)l輿情信息的采集與提取l話題發(fā)現(xiàn)與追蹤l網(wǎng)絡(luò)輿情傾向性分析關(guān)鍵需求20論壇論壇新聞新聞引擎引擎垂直垂直頁(yè)面頁(yè)面采集和提取采集和提取博客博客應(yīng)用網(wǎng)絡(luò)輿情監(jiān)控難點(diǎn)熱點(diǎn)分析21應(yīng)用網(wǎng)絡(luò)輿情監(jiān)控所采集的網(wǎng)絡(luò)范圍內(nèi)重復(fù)程度最高的話題22應(yīng)用網(wǎng)絡(luò)輿情監(jiān)控網(wǎng)絡(luò)輿

5、情摘要 提取出幾條最重要的新聞，自動(dòng)生成摘要，生成簡(jiǎn)報(bào)。23傾向性分析自動(dòng)聚合網(wǎng)絡(luò)新聞并自動(dòng)進(jìn)行褒貶傾向性的分析。 對(duì)文章的觀點(diǎn)進(jìn)行傾向性分析和統(tǒng)計(jì)，識(shí)別正負(fù)面信息。應(yīng)用網(wǎng)絡(luò)輿情監(jiān)控24通過(guò)對(duì)網(wǎng)絡(luò)信息中的犯罪信息量的分析計(jì)算來(lái)反映網(wǎng)民的安全感，并進(jìn)行分級(jí)；通過(guò)對(duì)政府工作相關(guān)語(yǔ)料的褒貶分析計(jì)算來(lái)描述公眾對(duì)政府工作的滿意程度，并進(jìn)行分級(jí)。網(wǎng)絡(luò)輿情監(jiān)控應(yīng)用25應(yīng)用企業(yè)競(jìng)爭(zhēng)情報(bào)系統(tǒng)l企業(yè)情報(bào)采集效率低和實(shí)時(shí)性差l信息孤島，缺少跨部門(mén)情報(bào)資源共享l情報(bào)內(nèi)容存在重復(fù)性，資源沒(méi)有得到有效整合面臨的問(wèn)題l自動(dòng)化收集商業(yè)信息l對(duì)情報(bào)內(nèi)容進(jìn)行統(tǒng)一管理l根據(jù)情報(bào)內(nèi)容，確定潛在威脅，及時(shí)預(yù)警，并制定相應(yīng)策略關(guān)鍵需求2

6、6應(yīng)用企業(yè)競(jìng)爭(zhēng)情報(bào)系統(tǒng)伊利作為中國(guó)乳業(yè)巨頭之一，面臨多方競(jìng)爭(zhēng)，必須密切關(guān)注對(duì)手動(dòng)態(tài)，其最大的競(jìng)爭(zhēng)對(duì)手是蒙牛，因此，蒙牛公司的動(dòng)態(tài)對(duì)伊利公司有很大的影響。采集2010年6月至11月蒙牛官網(wǎng)的信息，對(duì)其進(jìn)行分析。6月詞頻量7月詞頻量8月詞頻量9月詞頻量10月詞頻量11月詞頻量合作869107104君樂(lè)寶00000140激增詞頻警報(bào)遞增詞頻警報(bào)6月詞頻量7月詞頻量8月詞頻量9月詞頻量10月詞頻量11月詞頻量奶源971722295827發(fā)現(xiàn)共線詞關(guān)系：君樂(lè)寶低溫；華北；蒙牛奶源，奶源君樂(lè)寶警情：蒙牛整合君樂(lè)寶，實(shí)現(xiàn)戰(zhàn)略合作警情分析： 整合事件極大程度轉(zhuǎn)變蒙牛低溫市場(chǎng)地位，并提升蒙牛競(jìng)爭(zhēng)力，對(duì)伊利構(gòu)成極

7、大威脅； 提升蒙牛在華北地位，威脅伊利華北市場(chǎng)戰(zhàn)略地位； 極大提升蒙牛奶源優(yōu)勢(shì)，對(duì)伊利在奶源的競(jìng)爭(zhēng)造成威脅。應(yīng)用企業(yè)競(jìng)爭(zhēng)情報(bào)系統(tǒng)28電子商務(wù)網(wǎng)站應(yīng)用l數(shù)據(jù)激增，且有大量的非結(jié)構(gòu)化數(shù)據(jù)l如何從大量數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值的客戶l挖掘其內(nèi)在規(guī)律面臨的問(wèn)題l分析商品之間的內(nèi)在關(guān)聯(lián)l發(fā)現(xiàn)有價(jià)值客戶l對(duì)用戶行為進(jìn)行預(yù)測(cè)關(guān)鍵需求電子商務(wù)網(wǎng)站應(yīng)用網(wǎng)站產(chǎn)品評(píng)論挖掘：IT168網(wǎng)站是中國(guó)指導(dǎo)IT產(chǎn)品采購(gòu)的知名媒體品牌，是國(guó)內(nèi)最大、最權(quán)威的導(dǎo)購(gòu)咨詢網(wǎng)站之一。從IT168網(wǎng)站下載三種產(chǎn)品的評(píng)論，分別是：諾基亞5320XM的206篇評(píng)論、諾基亞5800XM的205篇評(píng)論和富士S5205EXR的72篇評(píng)論。如，以下是諾基亞5320XM的一篇評(píng)論：步驟：文本源原始數(shù)據(jù)預(yù)處理詞性標(biāo)注去除停用詞分詞特征識(shí)別特征標(biāo)注特征詞提取語(yǔ)義極性分析句子極性分析極性詞識(shí)別和強(qiáng)度確定分類(lèi)和結(jié)果評(píng)價(jià)結(jié)果評(píng)價(jià)分類(lèi)程度副詞和極性詞分：褒、中、貶強(qiáng)度：良好、優(yōu)秀如功能、價(jià)格、屏幕等30電子商務(wù)網(wǎng)站應(yīng)用挖掘結(jié)果及分析：