基于非线性规划理论的事件主题词过滤方法-高影繁.pdf

《基于非线性规划理论的事件主题词过滤方法-高影繁.pdf》由会员分享，可在线阅读，更多相关《基于非线性规划理论的事件主题词过滤方法-高影繁.pdf（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、情报学报 2018年1月 第37卷 第1期 Journal of the China Society for Scientific and Technical Information, Jan. 2018, 37(1): 61-67 收稿日期： 2017-03-15；修回日期： 2017-06-15 基金项目：国家科技支撑计划项目“面向科技情报分析的信息服务资源开发与支撑技术研究”（2015BAH25F01）。 作者简介：高影繁，女，1974年生，博士，副研究员，主要研究方向为文本挖掘、知识组织，E-mail：；苏娜，女，1983年生，博士，助理研究员，主要研究方向为计算情报学理论方法与应用，

2、科技评价与科技管理，E-mail： ；张运良，1979年生，博士，研究员，主要研究方向为知识组织，E-mail：；韩红旗，1971年生，博士，副研究员，主要研究方向为数据挖掘，E-mail：。 DOI: 10.3772/j.issn.1000-0135.2018.01.007 基于非线性规划理论的事件主题词过滤方法 高影繁1，苏 娜2，张运良1，韩红旗1（1. 中国科学技术信息研究所，北京 100038；2. 中国科学院科技战略咨询研究院，北京 100190） 摘 要 本文提出一种基于非线性规划理论的突发事件主题词自动过滤方法。首先以左右邻接熵为主题短语的边界识别依据，选出更具信息量的短语作为

3、候选主题词，然后通过将候选主题词回溯原始文档集合的方式过滤掉部分噪声词，最后采用基于非线性规划理论的函数，对抽取到的候选主题词按权重进行排序，选定更具突发事件类别表征能力的主题词。在几个类别突发事件语料上与传统的TF-IDF算法的对比实验结果说明了本文方法的有效性和实用价值。 关键词 突发事件主题词；左右邻接熵；噪声词过滤；非线性规划理论 A Method of Event Subject Words Filtering Based on Nonlinear Programming Theory GAO Yingfan1, SU Na2, ZHANG Yunliang1and HAN Hong

4、qi1(1. Institute of Scientific and Technical Information of China, Beijing 100038; 2. Institute of Science and Development, Chunese Acaolemy of Science, Beijing 100190) Abstract: This paper presents a method of event subject words filtering based on nonlinear programming theory. We identify the boun

5、daries of subject phrases by computing the left and right adjacent entropy. This method can help in selecting more informative phrases as candidate keywords. We counted the fre-quency of the candidate keywords by searching the original document sets. Some noise words are filtered using this method.

6、Finally, a nonlinear programming theory based function can be used to filter the noisy phrases. The experimental results proved that the method in this paper showed better performance com-pared with the classical TF-IDF filtering method. Key words: subject words of emergencies; left and right adjace

7、nt entropy; noise word filtering; nonlinear programming 1 引 言 进入20世纪以来，随着人口、资源与环境的矛盾日益加深，全世界范围内各种突发事件的发生频次与不良影响程度都呈持续上升的态势。我国地理环境复杂、人口众多，经济飞速发展的同时不可避免地产生了各种社会问题，各类突发事件不仅对人们的正常生活构成了威胁，而且影响了整个社会和谐有序的发展。对于我国应急管理基础研究近5-10年内要研究解决的科学问题，范维澄院士将其概括万方数据62 情 报 学 报 第37卷 为五大板块1，分别是：应急管理体系的复杂性科学问题；应急心理与行为的科学问题；突发

8、公共事件的信息获取及分析的科学问题； 多因素风险评估和多尺度预测预警的科学问题；复杂条件下应急决策的科学问题。在现今海量的突发事件数据背景下，“突发公共事件的信息获取及分析的科学问题”研究将为其他几个重要问题的解决提供重要支撑，而其中的基础环节就是突发事件主题词的抽取。事件主题词是指用以表征事件主题的规范化的词或词组，用户可以通过读取事件主题词来快速获取事件的主要信息。主题词识别与过滤是在事件语料文本集合中发现主题词并过滤掉不重要的噪声词的方法。 2 相关研究及本文目标 图书馆学中单个媒体在制作使用索引时所用到的词汇被称作关键词，关键词能够表达文献的主题内容，所以常用于学术论文或科技报告之中。

9、在自然语言处理研究中，遗传算法、支持向量机、最大熵模型、条件随机场2等机器学习方法已逐渐应用到关键词提取领域中，可分为有监督学习和无监督学习两类。Kea3是有监督学习的经典算法，算法的主要思想是根据文本中的标识如句、停顿词将文本转换为句子，再将句子分成词块（Token）。如果一个词块的开始和结束都不含有停用词，那么就可以将这个Token看作候选词，词的长度根据语料不同来选取不同的长度，再生成每个候选词的词根。Kea算法的主要不足在于对语义特征考虑不足，Popescu等4考虑了文章的不同结构对关键词抽取的影响如：引言、摘要、应用、参考文献，把这些作为关键词识别的特征。在无监督学习方法中，Text

10、Rank算法5很具代表性，它借鉴于PageRank的思想，但判定重要性的不再是网页而是一个个词语，在TxetRank算法中设定每个词只能给它周边k个词进行投票。该算法继承了PageRank算法中没有主题性计算的缺点，且依赖于分词软件的质量高低，所以对于新词和组合词基本上没有涉及。 在突发事件领域，将用于表征突发事件内容的关键词称为事件主题词。事件主题词抽取最常采用的方法是各种加权算法，通过计算主题词对文本主题的贡献大小来选定主题词，比如通过词本身的属性（词在文本中的绝对词频、相对词频、文中出现的位置）进行加权计算，或是根据文章与文章之间的引用关系进行加权计算。陈炯等6提出了一种基于加权信息论的

11、主题抽取方法，既考虑主题词在文本中所含的统计信息，又考虑了突发事件新闻文本中主题词出现的位置信息；张永奎等7从主题词的类别表征能力出发，提取了突发事件新闻文本中的类别主题词；杨建林8将共词分析方法引入关键词选择，提出了综合词频阈值、共现强度阈值两种策略的选词方案；金保华等9运用框架理论，选用词频、词性已经存在预案框架中的位置作为关键词特征值，再训练关键词权重调节因子来提高关键词提取的准确率。这些方法的主要问题是仅以中文分词后的实词（主要是名词）为主题词候选词时信息量有限，不足以表征突发事件的内容，因此选出的主题词质量不佳。研究者们开始将目光投向更具信息量的短语，即抽取短语作为突发事件主题词。郑

12、魁等10采用合并多单位关键词的方法获取突发事件热点信息关键词，但该方法合并关键词的复杂度较高、且噪声词判断阈值的给出主观性较强，在大规模文本下可用性不佳。樊梦佳等11采用基于语言规则和基于统计相结合的方法12，巧妙地将常用于新词发现的左右邻接熵法13用于短语识别，基于词性搭配规则与边界信息出现概率知识库相结合的词语度筛选策略以及基于词频-逆文档频率领域度筛选策略来进一步过滤获取的短语，该方法在候选短语识别上效率较高，但短语的类别鉴别能力14不足。 突发事件主题词应该具有两个特征：其一是包含足够信息量的短语，其二是短语具有类别属性，本文的目标就是从多个类别的突发事件语料中抽取具有类别表征的短语。

13、但是，由于左右邻接熵等常用的算法抽取到的候选短语噪声词众多，如何有效地过滤噪声词、将具有不同突发事件类别表征的短语保留下来，成为本文要解决的关键问题。 3 基于非线性规划理论的类别主题词过滤 3.1 非线性规划理论 文献15-16中对非线性规划问题有如下定义：考虑如下形式的极小（大）化问题， min f(x) (or max f(x) （1） 问题(MP) s.t. gi(x)0, i=1,2,m hp(x) =0, p =1,2,t （2） 万方数据第1期 高影繁等：基于非线性规划理论的事件主题词过滤方法 63 其中，f(x)、gi(x)、hp(x)都是定义在n维欧氏空间En中的实值函数，x

14、是En中的点（n维实向量），其分量为x1,x2,xn。如果所有这些函数都是线性函数，问题（MP）就被称为线性规划问题；如果这些函数中至少有一个是非线性函数，问题（MP）就被称为非线性规划问题。f(x)称为目标函数，式（2）为约束条件，称满足约束条件的向量x为问题（MP）的一个可行解（或可行点），称全体可行解组成的集合为问题（MP）的可行解集。如果极小（大）化问题中没有约束条件，则它被称为无约束的极小（大）化问题；如果约束条件是由一些线性函数组成的，此时（MP）被称为带有线性约束的极小（大）化问题；当约束条件不全是线性函数时，问题（MP）被称为一般的非线性规划问题。 3.2 非线性规划理论与主题

15、词过滤 本文假设：在已有突发事件类别体系下，类别主题词在类别间的分布越不均匀，则该主题词的类别鉴别能力越强，只出现在一个类别中的主题词具有对该类最强的鉴别能力，应该赋予更大的权重值。根据信息论中熵的性质，熵H的取值范围是0 H logn，各个事件在等概率发生时熵取得最大值logn；各个事件发生的概率相差越大，熵的值就越小。熵取最小值时，是在某一事件的概率为1而其他事件的概率均为0的情况。也就是要获得具有类别鉴别能力的主题词，可以归结为如下非线性规划问题。 一个求解目标函数的过程：求目标函数Q(P1, P2, Pn)，它满足约束条件 P1, P2, Pn0 （3） 11njjP=（4） 当P1=

16、P2=Pn=1/n时目标函数达到极小值1/n； 当且仅当某个分量Pj=1，其余(n-1)个Pj分量为0时目标函数达到最大值1。 在满足上述的极值条件下，目标函数Q(P1, P2, Pn)不可能是线性函数，根据非线性规划问题定义，这是一个带有线性约束的极小化非线性规划问题，只不过这里已知的是极值条件，而要求的是目标函数。文献15的作者参阅文献16，提出函数21nijP=在满足式（3）式（4）的约束条件下，在且仅在P1=P2=Pn=1/n时达到极小值1/n，在且仅在某个分量Pj=1，其余(n-1)个Pj分量为0时达到最大值1。 针对含有n个类别和m个主题词的突发事件文档集，用Pij来表示主题词te

17、rmi出现在类别Cj中的概率(i=1,2,m; j=1,2,n)，fij表示主题词termi在类别Cj中的发生频率，Fi表示主题词termi在全部类别中的发生频率之和，则有Pij=fij/Fi。 在得到满足非线性规划约束条件与极值条件的目标函数21nijjP=基础上，本文采用函数 21111nijjZnPn= -（5） 作为主题词过滤因子。可以看出，当主题词在类间等概率分布时，21nijjP=达到极小值1/n，根据式（5）计算，此时Z也达到极小值0；当主题词仅在某一类别中出现时，21nijjP=达到最大值1，此时Z也达到最大值1。主题词在类别间的其他分布时Z的取值介于0、1之间。 4 实验及结

18、果分析 4.1 数据来源 实验用突发事件案例来源于新浪、百度、搜狐、腾讯、凤凰网、新华网、人民网、观点中国、观察者等包含新闻事件的网站。实验中选择了“暴力恐怖”、“地质灾害”、“公路安全”、“环境污染”等四类突发事件，突发事件案例如图1所示。 四类突发事件集合的文本数和平均长度如表1所示。 4.2 数据预处理 数据预处理的分词工具选择的是开源的HanLP自然语言处理包，版本1.2.8。该版本开源工具训练自2014年人民日报切分语料，含35万词的词典，词语标注集兼容ICTPOS3.0汉语词性标记集，由一系列模型与算法组成的Java工具包，支持中文分词、命名实体识别等自然语言处理需求。本文的数据预

19、处理过程是先使用HanLP工具进行文本的分词处理，然后将分词后的结果进行词性标注，根据标注的结果将所有的非名词分词进行过滤处理，只保留名词。最后将这些名词集合作为输出传递给主题词发现算法作为下一步的输入。 万方数据64 情 报 学 报 第37卷 图1 暴力恐怖和地质灾害案例 表 1 四类突发事件文本集合规模 突发事件类别 文档数/篇 文档平均长度/字符 暴力恐怖 66 1 000 地质灾害 20 300 公路安全 48 1 500 环境污染 63 1 800 4.3 基于左右邻接熵的候选主题词抽取方法 4.3.1 左右邻接熵 本文采用的基于左右邻接熵的主题词抽取算法的核心思想是：以当前某名词类

20、词语为中心，计算其与左侧和右侧所有出现过的词语共现时的信息熵，通过熵值可以感知当前中心候选词与左右侧词语的稳定程度，从而判断候选词的左右边界。假设用字符x和字符y表示候选字符串t的左邻字符和右邻字符，则计算t的左邻接熵HL(t)和右邻接熵HR(t)的公式如下： L() (|)log (|)xH tpxtpxt=-（6） R() ( | )log ( | )yH tpytpyt=-（7） 其中，p(x|t)表示字符x是候选词t的左邻接字符的概率，p(y|t)表示字符y是候选词t的右邻接字符的概率。估算方法：用N(t)表示候选词t左侧出现的所有词语的总数，N(xt)表示t左侧出现的词语x与t的共现

21、次数，于是有 ()(|)()Nxtpx tNt= （8） 同样的道理，可以估算 ()(|)()NytpytNt= （9） 该方法不依赖于任何已有的词库，仅仅根据词语信息熵的概念和词的某些共同特征，将一段大规模语料中可能形成短语的文本片段全部提取出来，然后将形成的短语按照权重值进行排序，本文采用的权重值计算方法是左右邻接熵的积。之后，选取指定数目的短语作为候选主题词。 4.3.2 基于左右邻接熵的主题词抽取结果 依据上节所述的基于左右邻接熵的突发事件主题词抽取方法，对上述4个类别分别进行计算，取所得短语左右邻接熵的积为权重排序依据，每个类别分别取权重排在前100的短语作为本文的候选主题词。考虑到

22、版面问题，我们截取了每个类别的前200个候选主题词，如表2所示。 4.4 基于原始语料的初步筛选 按照上节方法抽取到的候选主题词可能会由于文本预处理过程中停用词、标点符号等的删除而导致成词错误。为了去掉这一部分噪声词，本文采用将上节抽取到的候选主题词到原始语料集合中重新进行判定的回溯筛选方法，即以抽取到短语为入口词检索原始语料集，从而获得改词在原始文档集合中的词频，将结果中频率值为0的短语直接删除。从表2可以看出，每个类别获得的候选主题词都有噪声词，比如“暴力恐怖事件”中抽取的“记者会上”；“地质灾害事件”中抽取到的“部门同志”、“高速公路成温”、“香格里拉得荣”、“领导治安”；“公路安全事件

23、”中抽取到的“车辆技术”；“环境污染 万方数据第1期 高影繁等：基于非线性规划理论的事件主题词过滤方法 65 表 2 依据左右邻接熵抽取的 top20 主题词 突发事件类别 暴力恐怖 地质灾害 公路安全 环境污染 暴力事件 地震灾区 道路交通 化工企业 武装分子 藏族自治州 交警部门 地方政府 暴力案件 舟曲灾区 机动车驾驶证 生态环境 北高加索地区 部队官兵 视频系统 环保局局长 暴力团伙 四川雅安 城市道路 化工有限公司 人质事件 食品药品 公路交通 钢铁企业 社会秩序 部门同志 货运车辆 环境问题 达吉斯坦共和国 宝兴芦山 公路桥梁 部分地区 俄罗斯联邦 公安支队 技术标准 部门组织 记

24、者会上 成都中心 交警支队 企业环境 组织成员 国务院总理 法律规定 律师事务所 新疆喀什 玉树地震 技术参数 苹果公司 肯尼亚索马里 高速公路成温 工程质量 化学物质 派出所民警 香格里拉游客 车辆技术 环境监测站 派出所所长 香格里拉得荣 公路隧道 呼吸系统疾病 自治区党委 餐具用品 公路用地 新闻发布会 边防支队 食品饮用水 交通设施 自来水水质 中国新疆 食品物资 事故原因 紫金矿业 国际组织 风景区古迹 公安交警 环境标准 按突发事件 类别抽取前 20个候选主题词 外交部发言人 领导治安 官方微信 生态系统 事件”中抽取到的“部门组织”等。以抽取到的候选主题词为入口词，重新检索原始语

25、料集以获取这些候选主题词的频率值。本文实验中选取了第4.3节得到的每个类别前100个候选主题词作为研究对象，去掉重新计数后频率为0的候选词，这里我们用频率为0的候选词在100个词中的占比来表示回溯筛选的准确率，即： 回溯筛选准确率=1- 10 %00频为 选题词 档 频选 题词总数率的候主在原始文集中的率候主（10）4个类别文档集合候选主题词筛选的回溯准确率结果如表3所示。 表 3 候选主题词的回溯筛选准确率 突发事件类别 频率为0的短语数 回溯筛选准确率/%暴力恐怖 18 82 地质灾害 49 51 公路安全 19 81 环境污染 7 93 4.5 基于非线性规划理论的噪声短语过滤 按照第3

26、节基于非线性规划理论的噪声短语过滤计算方法，可以对上述方法得到的候选主题词进一步地过滤。本文将该算法与常用的TF-IDF算法进行了比较，TF-IDF采用通用的计算方法：对于在某一文档dj里的词语ti来说，ti的词频可表示为： ,ijijkjkntfn=（11） 其中，ni,j是词语ti在文档dj中的出现次数，分母则是在文件dj中所有词语的出现次数之和。某一特定词语的IDF，可以由总文件数除以包含该词语的文件数，再将得到的商取对数得到，如下式，其中|D|是语料库中所有文档总数，分母是包含词语ti的所有文档数。 log:iijDidfjt d=（12） 实验选取“暴力恐怖”和“环境污染”两个突发事

27、件类别进行实验验证。表4是候选短语中按照 非线性规划理论函数值和TF-IDF数值进行排序后取TOP20的主题词过滤结果。 4.6 实验结果分析 （1）表2的主题词抽取结果表明，本文基于左右邻接熵的主题词识别方法识别出的主题词短语，其包含的信息量和准确性明显高于仅以单一的实词 万方数据66 情 报 学 报 第37卷 表 4 两种过滤方法的主题词过滤 top20 结果 暴力恐怖 环境污染 TOP20主题词 按非线性规划函数值 按TF-IDF数值 按非线性规划函数值 按TF-IDF数值 暴力事件 暴力事件 钢铁企业 石油公司 武装分子 武装分子 企业环境 广西河池 宗教极端 人质事件 苹果公司 广西

28、河池市 北高加索地区 乌鲁木齐火车 自来水水质 钢铁企业 暴力团伙 乌鲁木齐市委 紫金矿业 广西龙江 人质事件 慕尼黑奥运会 环境标准 化工企业 社会秩序 自治区党委 工业废水 紫金矿业 达吉斯坦共和国 新疆喀什 广西河池市 地方政府 俄罗斯联邦 别斯兰人质 呼吸系统疾病 苹果公司 伊斯兰组织 车臣共和国 广西龙江 律师事务所 奥运安保 北高加索地区 固体废物 生态环境 新疆喀什 社会秩序 墨西哥湾原油 新闻发布会 肯尼亚索马里 肯尼亚首都 居民饮用水 环境标准 派出所民警 共和国首府 化工公司 化工有限公司 美国大使馆 雅典奥运 甲醛气体 人民群众 自治区党委 雅典奥运会 白血病患者 太湖流

29、域 边防支队 达吉斯坦共和国 环境意识 墨西哥湾原油 中国新疆 环球时报 饮用水水源 环境问题 国际组织 首都内罗毕 环保局会议 呼吸系统疾病 两种短语过滤算 法得到的top20 的候选主题词 外交部发言人 石油公司 工业废气 经济开发区 作为主题词。比如，“武装分子”、“暴力团伙”、“舟曲灾区”、“公路隧道”、“紫金矿业”等主题词对突发事件的表征准确性要比“武装”、“暴力”、“舟曲”、“隧道”、“矿业”要好很多。 （2）对比表1和表3，可以看出：候选主题词回溯筛选的准确率与类别文档集合规模有关。从表3的结果看，“环境污染”类别具有最高的回溯筛选准确率，而“地质灾害”类别排名垫底，表1数据中的

30、类别文档集合规模与此相对应，以文档数与文档长度估算文档集合规模，“环境污染”类别最高，而“地质灾害”最低。从信息论的角度分析，文档集合规模越大，能够提供的用于主题词边界识别和类别归属的信息越多，因此计算结果也更加准确，印证了基于左右邻接熵的主题词抽取方法的有效性。另外，经过候选主题词的回溯筛选环节之后，前面提到的“记者会上”、“部门同志”、“高速公路成温”、“香格里拉得荣”、“领导治安”、“车辆技术”、“部门组织”等噪声词都被筛选掉了，说明本文基于原始文本的回溯筛选方法是有实用价值的。 （3）对比表2和表4，可以发现表4中词汇的类别表征能力明显高于表2。以“暴力恐怖事件”为例，采用非线性规划函

31、数筛选出的主题词增加了“宗教极端”、“伊斯兰组织”、“奥运安保”等更具事件表征的词汇；“环境污染”类别也筛选出了“饮用水水源”、“甲醛气体”、“工业废气”等新词汇，彰显了本文方法的有效性。 （4）从表4可以看出，基于非线性规划理论的突发事件类别主题词识别能力要高于传统的TF-IDF算法，如“暴力恐怖事件”中，TF-IDF算法筛选出的“乌鲁木齐火车”、“乌鲁木齐市委”、“环球时报”等词汇的类别表征能力不是很明显，而非线性规划函数过滤掉了这些词，并筛选出了“奥运安保”、“伊斯兰组织”等更具类别特色的词；“环境污染事件”中，TF-IDF算法筛选出的“律师事务所”、“新闻发布会”、“人民群众”等词汇类

32、别表征能力不明显，而非线性规划函数过滤掉了这些词。 5 结论及下一步工作 本文提出了基于非线性规划理论的主题词过滤方法，首先以左右邻接熵为主题短语的边界识别依据，选出更具信息量的短语作为候选主题词，通过将候选主题词回溯原始文档集合的过滤方式过滤掉万方数据第1期 高影繁等：基于非线性规划理论的事件主题词过滤方法 67 部分噪声词，再用非线性规划函数来提高候选主题词的类别表征能力。实验结果表明，主题词回溯原始文档集合的噪声主题词过滤方式与文档集合的规模有关，以文档数和文档长度表示的文档规模越大，则噪声词过滤效果越好；采用非线性规划策略得到的指标函数能够较好地提高更具类别代表性的主题词的权重。实验结

33、果充分说明了本文方法的有效性和实用价值。此外，本文方法已经能够抽取到更具类别表征能力的主题词，课题组正在研究基于深度学习的主题词扩展方法，期待能够实现对以主题词为中心的突发事件的更完整还原。 参 考 文 献 1 范维澄. 国家突发公共事件应急管理中科学问题的思考和建议J. 中国科学基金, 2007, 21(2): 71-76. 2 陈飞, 刘奕群, 魏超, 等. 基于条件随机场方法的开放领域新词发现J. 软件学报, 2013, 24(5): 1051-1060. 3 陈平, 周昌乐, 练睿婷. 一种改进的KEA关键词抽取算法研究J. 心智与计算, 2011(2): 48-54. 4 Popes

34、cu A M, Nguyen B, Etzioni O. OPINE: Extracting product features and opinions from reviewsC/ Proceedings of HLT/EMNLP on Demonstration. Stroudsburg: Association for Computational Linguistics, 2005: 32-33. 5 夏天. 词语位置加权TextRank的关键词抽取研究J. 现代图书情报技术, 2013(9): 30-34. 6 陈炯, 张永奎. 基于加权信息论的突发事件新闻主题抽取方法J. 计算机应用

35、, 2008, 28(s1): 150-151. 7 张永奎, 李红娟. 基于类别关键词的突发事件新闻文本分类方法J. 计算机应用, 2008, 28(s1): 139-140, 143. 8 杨建林. 关键词选择策略及其对共词分析的影响J. 情报学报, 2014, 33(10): 1083-1090. 9 金保华，林青，吴怀广. 基于中文关键词提取的预案智能匹配方案J. 郑州轻工业学院学报(自然科学版), 2013, 28(2): 78-82, 86. 10 郑魁, 疏学明, 袁宏永. 网络舆情热点信息自动发现方法J. 计算机工程, 2010, 36(3): 4-6. 11 樊梦佳, 段东圣

36、, 杜翠兰, 等. 统计与规则相融合的领域术语抽取算法J. 计算机应用研究, 2016, 33(8): 2282-2285, 2306. 12 Kim K H, Choi S J. Label propagation through minimax paths for scalable semi-supervised learningJ. Pattern Recognition Letters, 2014, 45: 17-25. 13 Zhu X J, Ghahramani Z, Laffert J. Semi-supervised learning using Gaussian fields

37、 and harmonic functionsC/ Proceeding of the 20th International Conference on Machine Learning. Palo Alto: AAAI Press, 2003: 912-919. 14 孙新, 欧阳童, 严西敏, 等. 基于训练集裁剪的加权K近邻文本分类算法J. 情报工程, 2016(6): 8-16. 15 姚恩瑜, 何勇, 陈仕平. 数学规划与组合优化M. 杭州: 浙江大学出版社, 2001: 10. 16 Nemhause G L, Wolsey L A. Integer and combinatorial optimiza-tionM. New York: John Wiley and Sons, 1999. （责任编辑 车 尧） 万方数据