[发明专利]一种机器智能辅助的扎根理论编码优化方法

权利要求书

1. 一种机器智能辅助的扎根理论编码优化方法，其特征在于，具体步骤如下：

（1）数据预处理

在得到访谈录音数据后，利用转录软件或平台，对录音数据进行转录，并通过人工梳理的方式，得到相应的文字材料；

然后，通过分句分段工具，将访谈记录切割成一个个语句块；并通过人工核对检查的方式，将分句分段结果进行适当的调整，得到语料集，作为编码的原始材料；

（2）人工预编码

对步骤（1）得到的对语料集进行人工预编码，形成初步的编码方案；预编码算法中，通过循环编码、随机选取数据的方式，对选取的原始材料进行概念层次和主题层次的编码，并不断调整编码框架，直至达到初步的信息饱和，或当前数据集数据已全部编码；此外，在原有编码的基础上，可以继续编码新的数据，具备较高的灵活性；因此，当未达到信息饱和，或当用户认为未编码完成时，都可继续编码新的数据；

（3）编码特征提取

在预编码的编码方案基础上，进行编码特征提取，实现后续数据的自动分类编码；编码特征的提取，采用TF-IDF方法；其中，TF代表的是Term Frequency,即词频；用该词在该条语料中出现的次数word_cnt，除以该条语料中的总词数total_cnt进行计算，如公式1所示：

      公式 1

IDF，是指Inverse document frequency,即逆向文件频率，用来衡量一个词语的普遍重要性；由总文件数目total_file除以包含该词语的文件数目file_cnt，再将得到的商取以10为底的对数，即得到IDF的值，其计算式如公式2所示：

    公式 2

最后，将TF与IDF的值相乘，即得到TF-IDF的值，如公式3所示：

TF-IDF = TF*IDF                  公式 3

（4）自动编码

在步骤3特征提取的基础上，对新的语料集进行编码分类，补充编码框架中的语料集；此处，仍延续步骤3中提取的特征方法，以TF-IDF方法对新的语料集进行自动编码分类；

对于中文语料集，先对文字材料进行分词；去除常用词后，将剩余的词作为该语料集的特征词；然后，通过这些词计算该段文字与相应概念和主题分类的匹配度，将其归类到匹配度最高的主题分类和编码分类下；

具体地，一条新语料t和某语料集s的相似度计算如公式4所示：

    公式 4

这里,m,n分别为新语料t和语料集s的特征词个数；score(t_i,s_j)代表的是语料t中第i个词汇和语料s中第j个词汇的在相似度上的得分，具体计算方式如公式5所示：

     (公式 5)

其中，dis(x,y)代表词汇x和词汇y在词向量数据集中的空间距离，threshold代表：评估两个词仍属于近义词的最大的空间距离；

计算出新语料所有主题语料集的相似度后，将该新语料分配到相似度最高的主题下；然后，再计算该语料与该主题下所有概念语料集的相似度，将该主题划分到对应的概念语料集中；

（5）特征集扩充

待每次新数据编码完成后，人为检查匹配度较低的分类项，进行调整；如出现现有的编码框架之外的新概念或新主题的情况，则对编码框架进行调整；然后，再次通过步骤（3）中的方式，提取出新语料的特征集，保留到语料库中；不断重复编码过程，直至全部数据完成编码。