[发明专利]一种文本特征提取方法及系统

权利要求书

1.一种文本特征提取方法，其特征在于，包括以下步骤：

步骤S1、获取样本数据集，根据所述样本数据集获取样本矩阵；

步骤S2、以所述样本矩阵作为非平滑非负矩阵分解算法的输入数据，获取所述非平滑非负矩阵分解算法的目标函数；

步骤S3、根据所述目标函数构造近端函数，根据所述近端函数求取最优样本矩阵；

步骤S4、根据所述最优样本矩阵构建样本矩阵的迭代公式，根据所述迭代公式对所述样本矩阵进行迭代更新，得到特征矩阵；

所述步骤S2具体为：

所述非平滑非负矩阵分解算法的初始目标函数为：

其中，V为归一化后的所述样本矩阵，H为文本特征表示矩阵，W为文本特征基矩阵，|| ||_F表示矩阵的F范数，θ为调节解的稀疏性的超参数，θ∈[0,1]，I表示单位矩阵，r为文本特征向量的维度数，ll表示一个全1的向量，ll^T表示向量ll的转置；

固定所述初始目标函数中文本特征基矩阵W得到所述目标函数f₁(H)；

所述步骤S3具体为：

根据所述目标函数构造所述近端函数：

其中，L为Lipschitz常数，L＝||S^TW^TWS||₂，表示矩阵的内积；

采用拉格朗日乘子法求解所述近端函数最小值对应的最优矩阵

采用拉格朗日乘子法求解所述最优矩阵具体包括：

所述拉格朗日乘子法的K.K.T条件为：

其中，表示矩阵的Kronecker积,Y为中间参数，

基于投影梯度算法计算所述最优矩阵

其中，P()表示所述投影梯度算法，P(Z)表示将矩阵Z中所有的负数投影为0；

所述步骤S4具体为：

所述迭代公式为：

其中，β₀为常数；

给定随机的迭代初始值β₀＝1，Y₀＝H₀，根据所述迭代公式进行迭代更新，当迭代次数达到设定阈值k时，迭代终止，得到H_k即为所述特征矩阵。

2.根据权利要求1所述的文本特征提取方法，其特征在于，所述步骤S1具体为：

获取多条样本数据，构造所述样本数据集；

对每一条所述样本数据进行向量表示，得到样本向量；

对各所述样本向量进行归一化处理，得到所述样本矩阵。

3.根据权利要求2所述的文本特征提取方法，其特征在于，所述向量表示具体为：

对所述样本数据进行中文分词，并过滤掉所述样本数据中的停用词，得到所述样本数据的词序列；

基于所有所述样本数据的词序列，构造所述样本数据集的字典，计算所述字典中每一个词的词频以及逆文本频率；

根据所述词频以及逆文本频率，计算所述样本数据中每一个词的TFIDF值，得到所述样本数据的向量表示。

4.根据权利要求2所述的文本特征提取方法，其特征在于，所述归一化处理具体为：

其中，x_i为所述样本向量，v_j为归一化后的样本向量，m为所述样本向量的维度数。