[发明专利]基于双向迭代和自动构建更新语料库的垃圾评论过滤方法

权利要求书

1.一种基于双向迭代和自动构建更新语料库的垃圾评论过滤方法，其特征在于，包括如下步骤：

(1)获取产品的评论文本以构建语料库，并对语料库进行初始划分形成垃圾评论文本集和正常评论文本集；

(2)利用贝叶斯过滤器对所述垃圾评论文本集和正常评论文本集中的评论文本进行垃圾评论判别，并根据垃圾评论判别结果更新垃圾评论文本集和正常评论文本集；

所述步骤(2)中对正常评论文本集和垃圾评论文本集中每一条评论文本进行垃圾评论判别时进行如下操作：

分别计算该评论文本属于正常评论文本集和垃圾评论文本集的类后验概率：

若属于垃圾评论文本集的类后验概率大于或等于属于正常评论文本集的类后验概率，则判定该评论文本为垃圾评论文本；

否则，判定为正常评论文本；

通过如下步骤分别计算该评论文本属于正常评论文本集和垃圾评论文本集的类后验概率：

(2-1)对垃圾评论文本集进行垃圾评论关键词抽取，形成垃圾评论关键词词集；

所述步骤(2-1)具体包括如下步骤：

(2-21)根据垃圾评论文本集中所有评论文本构建相应的实词词集；

(2-22)计算垃圾评论文本集与正常评论文本集的类先验概率，并根据计算结果采用信息增益方法计算实词词集中各个实词的权值，并提取权值大于预设阈值的实词作为垃圾评论关键词形成垃圾评论关键词词集；

所述步骤(2-22)中根据如下公式计算实词词集中第i个实词w_i的权值η(w_i)：

η(wi)=Σj∈{0,1},o∈{0,1}P(Cj,wio)logP(Cj,wio)P(Cj)P(wio),]]>

其中，1≤i≤n_word，n_word表示实词词集中实词的总个数；

j＝0或1，当j＝0时，评论文本集C_j表示垃圾评论文本集，当j＝1时，评论文本集C_j表示正常评论文本集；

o＝0或1，且：

当o＝0时，表示实词w_i不出现，表示评论文本集C_j中不出现实词w_i的评论文本条数与语料库中评论文本条数的比值，表示语料库中不出现实词w_i的评论文本的条数与语料库中评论文本条数的比值，

当o＝1时，表示实词w_i出现，表示评论文本集C_j中出现实词w_i的评论文本条数与语料库中评论文本条数的比值，表示语料库中出现实词w_i的评论文本的条数与语料库中评论文本条数的比值；

P(C_j)表示评论文本集C_j的类先验概率，根据如下公式计算：

P(Cj)=1+|DCj|2+|DC|,]]>

其中，表示评论文本集C_j中评论文本的条数，|D_C|表示语料库中评论文本的条数；

(2-2)根据垃圾评论关键词词集抽取该评论文本的特征词，并生成相应的特征词序列；

(2-3)利用相应的特征词序列分别计算该评论文本属于垃圾评论文本集和正常评论文本集的类后验概率；

所述步骤(2-3)中针对当前评论文本d_x进行如下操作：

(2-31)利用相应的特征词序列根据如下公式分别计算当前评论文本d_x属于正常评论文本集和垃圾评论文本集的类条件概率P(d_x|C_j)：

P(dx|Cj)=Πn=1NP(wn|Cj),]]>

其中，j＝0或1，当j＝0时，评论文本集C_j表示垃圾评论文本集，当j＝1时，评论文本集C_j表示正常评论文本集，

n＝1,2……,N，N为特征词序列中特征词的个数，

P(w_n|C_j)表示为相应的特征词序列中关键词w_n在垃圾评论文本集中的类条件概率，根据如下公式计算：

P(wn|Cj)=1+wnj2+|DCj|,]]>

其中，表示评论文本集C_j中出现关键词w_n的评论文本条数，

表示评论文本集C_j中评论文本的条数；

(2-32)根据如下公式分别计算当前评论文本d_x属于垃圾评论文本集和正常评论文本集的类后验概率：

P(Cj|dx)=P(Cj)×P(dx|Cj)P(dx),]]>

其中，P(C_j|d_x)表示当前评论文本d_x属于评论文本集C_j的类后验概率，

P(d_x)为评论文本d_x的全概率，

P(C_j)为评论文本集C_j的类先验概率：

P(Cj)=1+|DCj|2+|DC|,]]>

其中，表示评论文本集C_j中评论文本的条数，|D_C|表示语料库中评论文本的条数；

(3)迭代执行步骤(2)，直至相邻两次迭代得到的垃圾评论文本集和正常评论文本集不再变化为止，并判定最后一次迭代得到的垃圾评论文本集中的评论文本为垃圾评论文本。