[发明专利]一种多标记的文本类数据特征选择方法及装置

权利要求书

1.一种多标记的文本类数据特征选择方法，其特征在于，该选择方法包括以下步骤：

1)获取含有多种标记的文本数据集；

2)根据文本数据集中标记与标记之间的二阶相关性，将标记划分成正相关、负相关和不相关三类标记组；

3)针对标记组所处类别计算特征在各标记组中的得分，根据特征在每个标记组计算出的得分确定各特征的最终得分，并从中选取得分较高的设定个数的特征，构成特征集合；

4)根据文本数据集中各样本对于标记的分类间隔确定每个样本的邻域粒度，得到多标记邻域粗糙集；

5)根据邻域粒度和所述特征集合构建多标记邻域决策系统，在所述多标记邻域决策系统下，确定属于集合X_j,j＝1,2,…M的集合数和属于集合的集合数，并以此确定多标记邻域粗糙集的依赖度，其中M为决策集中决策属性的数目，X_j与为样本集在第j个标记下的划分，分别表示命中第j个标记的样本集合和未命中第j个标记的样本集合；

6)根据多标记邻域粗糙集依赖度公式计算多标记邻域决策系统中条件属性相对于决策属性的重要度，根据该重要度进行条件属性的筛选，实现对文本数据的特征选择。

2.根据权利要求1所述的多标记的文本类数据特征选择方法，其特征在于，每个特征得分的计算公式为：

C＝{f₁,f₂,…,f_m}表示特征全集，L＝{l₁,l₂,…,l_t}表示标记全集，n_k表示第k类样本的个数，f_j,i表示第i个特征在第j个样本中的值，μ_k表示样本中第i个特征f_i的平均值，表示样本中第i个特征f_i在第k类中的平均值，c表示类别总数，R_g(l_a,l_b)表示标记l_a与标记l_b的相关性权重。

3.根据权利要求1所述的多标记的文本类数据特征选择方法，其特征在于，所述的样本对标记的分类间隔为：

其中，margin^l(x)为样本x对于标记l_i的分类间隔，NM^l(x)为升序排列好的每个异类样本距离，NH^l(x)为升序排列好的每个同类样本距离，|NH^l(x)|为同类样本数目，|NM^l(x)|为异类样本数目，NM^l(x_i)和NH^l(x_i)分别表示在类别标记l下，与样本第i近的异类样本和与样本第i近的同类样本，Δ(x,NM^l(x_i))和Δ(x,NH^l(x_i))分别表示样本点x到NM^l(x_i)和NH^l(x_i)的距离。

4.根据权利要求3所述的多标记的文本类数据特征选择方法，其特征在于，所述邻域粒度的计算公式为：

其中为样本x对于标记l_i的分类间隔，M为标记的个数，m^l(x)为样本x的邻域粒度。

5.根据权利要求1所述的多标记的文本类数据特征选择方法，其特征在于，所述的多标记邻域决策系统为MDNS＝＜U,C∪D,δ＞，U＝{x₁,x₂,…,x_n}表示文本数据样本集合，B＝{f₁,f₂,…,f_N}为描述文本数据的特征子集，C为描述文本数据的特征集合，N≤|C|，L＝{l₁,l₂,…,l_M}为对应的标记集合，D＝{l₁,l₂,…,l_m}是分类决策属性集，