《表2 特征设置集合及描述说明》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《CRFs字角色标注方法在中文附加关键词抽取中的应用研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

特征依赖于特定的训练语料，其作用在于扩展语境特征，提高测试阶段的准确率。特征序列的构建是否恰当、准确，将对机器学习的效果产生一定程度的影响。特征的选择主要由笔者对于题名与其他原文信息的观察于统计所得，可以分为三个方面:一是词的角度。题名往往包含多个词语，且关键词的词性往往集中在名词、动词、形容词等实词，针对词语的构成与性质，笔者使用中国科学院计算技术研究所汉语词法分析系统（ICTCLAS），按照北京大学标注一级标注进行分词与词性标注，由此提出构词特征（W）与词性特征（C），如词性未识别出记为0，例如“马克思主义”一词，根据词的构造，构词特征序列为“TZZZW”，而词性为名词（N），则词性特征序列为“NNNNN”。二是字的角度。题名中存在着包含中外名人姓名的情况，也经常以关键词全部或部分的形式呈现，例如“毛泽东”“墨菲定律”“邓小平理论”等，对此设置了字的姓氏特征（X）与音译特征（Y）；根据《现代汉语常用字表》引入字的级别特征（J）；根据字在2014年CSSCI题名中出现的频次加以分类，提出频次特征（S）；根据“六书”的对字的分类提出字类特征（L），其中转注字与注假字归为其他一类；字性特征（D）使用ICTCLAS系统对题名中的每个字单独进行北大标注一级标注得来，指每个汉字都有其独特的词性倾向，未识别记为0。三是其他信息。原文信息集合还提供了文章的中图类号及期刊等信息，由此可以引入文章中图特征（T）和期刊类别（Q）。上述的10个特征及相应描述如表2所示，具体约束效果将在后续的实验中逐步验证。