分类规则提取

9．3　分类规则提取

对规则分类部分，本系统采用了粗糙集方法。很多研究都提出了基于粗糙集的属性约简和规则提取算法。在此规则辅助分类过程中，考虑到整体分类的时间复杂度及规则分类的辅助性地位，本书采取了以下方案：

对规则分类算法，本书采用已有研究成果的成熟算法^［7］，在前期统计训练的同时，生成各类别的规则集。在进行统计分类的同时，进行规则分类，获取统计分类结果的前三条最佳分类类别，与规则分类结果进行交集运算，其结果作为最终分类结果。若无规则匹配，则仍以统计分类首选结果为准。

常规的粗糙集规则分类都是基于全文的，其运算量都比较大。作为统计分类的补充，如果也基于全文进行，在整体效率上可能难以接受。我们知道，基于统计的自然语言处理中，经常会用到词共现模型^［8］。它基于如下假设：若两个词经常共同出现（即共现）在文档的同一窗口单元中，则认为这两个词在意义上是相互关联的；并且，共现的概率越高，其相互关联的程度越高，可以用此方法来进行概念的反映。而这恰恰是传统VSM模型的不足之处。如果我们将每篇文献的标题作为窗口单元，对其词共现进行规则提取，则在一定程度上可以修正传统VSM的缺陷。基于这一原理，本系统进行了相关的算法设计。

其中规则提取分类的基本过程如下：

（1）在前期抽词及统计时，加入标题关键词的共现处理，即单独提取出在标题中共现的关键词集作为标题特征项，并将此特征项的权值进行离散化处理。

（2）构造决策表，以关键词向量集作为决策表的条件属性集，文本所属的类别集作为决策属性集，如表9－4所示。

表9－4　决策信息表

K_i表示特征项，表中的数字是特征项离散化后的表示符，＊表示空集，C_i表示文档D _j的类别标识。

（3）利用决策表约简步骤化简决策表，得到的化简结果实际就是一个规则集合。

（4）对上面得到的规则集合进一步简化，并输出规则。

属性约简及规则提取算法见文献［7］文中表6．2．2．1算法。

最终提取出的规则示例如下：

查封∧出台∧强制执行∧权力∧人民法院∧司法解释→0101

权益保护法∧实施办法→0101

人民法院∧司法∧体制改革→0101

草案∧审议∧宪法∧修正案→0101

…

跨国公司∧联合国∧投资战略→0109

登记注册∧美元∧投资总额∧外商投资企业→0109

经济开发区∧企业∧投资→0109

…

（5）采用完全与部分匹配方法结合进行匹配分类，匹配算法见文献［7］文中第85～86页，改进的BasicStrength算法。