W-POS语言模型及其选择与匹配算法

来源：计算机应用杂志2015年第8期北京时间：

作者：邱云飞, 刘世兴, 魏海超, 邵良杉

单位：1. 辽宁工程技术大学 软件学院, 辽宁 葫芦岛 125105;2. 辽宁工程技术大学 系统工程研究所, 辽宁 葫芦岛 125105

摘要：n-grams语言模型旨在利用多个词的组合形式生成文本特征,以此训练分类器对文本进行分类。然而n-grams自身存在冗余词,并且在与训练集匹配量化的过程中会产生大量稀疏数据,严重影响分类准确率,限制了其使用范围。对此,基于n-grams语言模型,提出一种改进的n-grams语言模型——W-POS。将分词后文本中出现概率较小的词和冗余词用词性代替,得到由词和词性的不规则排列组成的W-POS语言模型,并提出该语言模型的选择规则、选择算法以及与测试集的匹配算法。在复旦大学中文语料库和英文语料库20Newsgroups中的实验结果表明,W-POS语言模型既继承了n-grams语言模型减少特征数量、携带部分语义和提高精度的优点,又克服了n-grams语言模型产生大量稀疏数据、含有冗余词的缺陷,并验证了选择和匹配算法的有效性。

关键词：n-grams语言模型,词性,冗余度,稀疏数据,特征选择

基金资助：国家自然科学基金资助项目(70971059);辽宁省创新团队项目(2009T045);辽宁省高等学校杰出青年学者成长计划项目(LJQ2012027)。