LinkedIn 文本分析平台：主题挖掘的四大技术步骤

LinkedIn 前不久发布两篇文章分享了自主研发的文本分析平台 Voices 的概览和技术细节。LinkedIn 认为倾听用户意见回馈很重要，发现反馈的主要话题、用户的热点话题和痛点，能够做出改善产品、提高用户体验等重要的商业决定。下面是整理后的技术要点。

文本分析平台及主题挖掘

文本数据挖掘是，计算机通过高级数据挖掘和自然语言处理，对非结构化的文字进行机器学习。文本数据挖掘包含但不局限以下几点：主题挖掘、文本分类、文本聚类、语义库的搭建。LinkedIn 的Voices 文本分析平台架构如下图，本文将侧重讲述Voices 平台中的主题挖掘模块（Topic Mining）。

在机器学习和自然语言处理等领域，主题挖掘是寻找是主题模型，主题模型是用来在一系列文档中发现抽象主题的一种统计模型。如果一篇文章有一个中心思想，那么一些特定词语会更频繁的出现。简单而言，主题挖掘就是要找到表达文章中心思想的主题词。主题挖掘的主要原因有两个：首先，文件数量迅速增长，已经依靠人工的方式实现对全部文本信息高效阅读和理解，将该流程自动化已经势在必行。其次，主题挖掘可以提高文字重度依赖应用的使用效率和产出影响，比如搜索加索引、文本总结、聚类、分类和情感分析。

从大量文字中找到主题是一个高度复杂的工作，不仅因为人的自然语言具有多层面特性，而且很难找到准确体现资料核心思想的词语。目前现有方案如： TF-IDF （Term Frequency–Inverse Document Frequency）、互信息（co-occurrence）和 LDA （隐含狄利克雷分布 Latent Dirichlet allocation）；但是，这些算法要么是无法做到只提炼出重要主题，要么是不具高度扩展性和高效性。Voices 的主题挖掘模块由 LinkedIn 自主研发，通过 Hadoop 和 Spark 实现，可以帮助 LinkedIn 规模化地进行用户反馈分析。

实现主题挖掘的四个技术步骤

Voices 文本挖掘平台中的主题挖掘模块处理工作，是一个流水线处理系统，由多个自然语言模型组成的来完成。Voices 的模块化步骤如下：

一. 词性标注（POS：Part-of-speech）

句子被切割成单独的词语之后，需要为每个词语加上词性标注。常见的 POS 为名词、动词、形容词、副词等。我们使用 Java 实现了斯坦福日志 - 线性化词性标注。每一个被分析的文件，先被切割成句子，然后分别标上词性。POS 标签采用的是英文宾州树库标记。譬如，“我昨天去过了华盛顿公园”分词之后变成“我 /PRP 昨天 /NN 去过了 /VBD 华盛顿 /NNP 公园 /NN” 。

二. POS 模式匹配

接下来的目标是根据预定义的分词词性模式，选择出符合的 POS 词性标注顺序。POS 模式采用正则表达式的格式，表达式可能会包含一个可递归的名词短语、一个动宾短语或者一个主谓短语等。我们观察发现，客户的反馈中，最重要的主题都是由实体名词构成，比如“主页”、“简介”；或者是事件 - 由动词名词组成的短语或动作，比如“注销账户”、“同意付款”。这使得我们创立最佳模式去寻找类似的实体词或者事件短语。为了更好地匹配，LinkedIn 创立了两种不同的 POS 模式。

第一种适用于实体词，可递归的名词短语，名词前面可以加零或若干个修饰限定语。这样，“第二个账号”分词加标签之后为“第二个 /JJ 账号 /NN”, 最终模式匹配之后我们得到的两个短语“账号”、“第二个账号。

第二种定义的是可递归的动词短语，即包含一个或者多个连续动词。比如，短语“已经通过”对应为“已经 /VBZ 通过 /VBN”；该短语满足模式匹配可以得出两个短语“通过”、“已经通过”。

基于上面模式对名词、动词短语的匹配方式，我们为两类不同的主题创建了下面的三种匹配模式。

• 实体词主题：一个名词短语，比如“邮箱”、“信用卡”等。
• 事件主题 I：一个名词前面加一个动词的主谓结构。常见的关系到一个实体词的动作，如“申请失败”、“用户关闭”或者“上次交易失败”。
• 事件主题 II：一个动词后面加上若干限定词及若干名词，动宾结构表示一件事情。此种情况下，限定词及名词可以脱离动词存在。比如“合并我的账户”、“关闭我们的旧账户”。

POS 模式匹配会对所有句子的 POS 标签进行扫描，寻找是否有与上述三种模式匹配。每一个匹配的短语都会被当成一个候选主题。

三. 主题抽取

接下来，我们需要减少重复部分、去掉短语中无关紧要的词。主题抽取步骤如下：

1. 词干提取：这是信息提取和数据挖掘中的关键技术步骤。在 LinkedIn 的主题挖掘中，“查看简历（view profile）”、“查看所有简历（view profiles）”、“已查看简历（viewed profile）”会被分入到同一个候选主题“查看简历（view profile）”。LinkedIn 采用的是 Java 实现 Porter 词干提取算法。在词干提取合并候选主题时，会选择词频较高的词语作为最终的主题。如“view”和“profile”组成 view profile。
2. 去掉停止词：在选择候选主题时，还需要去掉停止词。比如文章常见的停止词：介词、代词、连词、小品词或其他辅助词语。如果最终“注销这个账户”“注销他的账户”都能被划入“注销账户”的候选主题中。LinkedIn 采用的是 Lextek 标准版停止词。
3. 合并同类词：为了进一步简化候选主题的整理，LinkedIn 还自行添加了 234 个特定领域的停止词。去掉那些不会给候选主题添加价值的词语，比如社交网络领域的停止词“附加信息”、“联系我们”、“原消息”、“同样问题”、“网站”、“其他站点”、“点击链接”和“com”等。
4. 合并语义相近的词条：最终，候选主题需要被提炼到没有同类或同义词。比如“邮箱地址”、“邮箱账号”需要被合并为一个共同主题。同样地，还可以借助 WordNet 之类的语库对词条进行合并，如“link”、“connection”、“association”、“partnership”和“relationship”等。LinkedIn 手动添加了 75 组同义词。

合并特定域同类词和语义相近词可以很好地帮助候选主题的提炼，可是大部分的主题提取系统都没有重视这两项候选主题的清理策略。

四. 主题排序

经过上述步骤，最终留下来的候选主题已经都最优化。接下来，需要一个标准进行主题排序，然后可以衍生出一套主题。LinkedIn 通过两个步骤进行候选主题排序：

1. 我们计算每个文件中候选主题的 TF-IDF 值，然后根据我们的经验，我们会保留 TF-IDF 值最高的五个主题。TF-IDF 是文件为单位的计算值，而没有考虑到文件所在的文件整个集合。
2. 需要为整个文件集合产生一个单独的主题列表。LinkedIn 引入了文件频率这个参数来进行整个文件集合的主题 TF-IDF 值的计算。

主题挖掘的业务价值

乍眼一看，这套多模块的流水线处理系统中任何模块都可以单独工作，但会有人担心无预过滤的 TF-IDF 计算会产生干扰和不准确的主题；不过，LinkedIn 使用该系统对论坛讨论、组信息更新、博客中的用户意见文本进行主题挖掘，实践效果很好。

LinkedIn 不需要人工的预览内容就可以简单地实现主题生成，同时根据文件来源的不同可以产生不同的主题。比如，账号使用者抱怨的主题可能有“主要账号”、“次要账号”、“合并账号”、“关闭账号”、“复制账号”等；简历浏览者可能关心的主题是“删除联系人”、“通讯录”、“导入联系人”、“发送邀请”和“待处理邀请”。最终，这些主题会以轮子视图的形式呈现出来，轮子内圈是实体词主题，外圈是每个实体词对应的动作。

生成主题之后，对用户抱怨反馈按照这些主题进行分类，客户服务代表据此辨别整理主题的各种情绪，从而便于用户反馈的搜索或者内容总结的生成。

此外，主题随时间的变化情况还可以用来开展趋势算法的研究。这样可以在网络媒体和社区反馈中获取重要信息。最后，还可以使用主题进行文本分类，从而降低信息维度、提高处理效率。

查看英文原文： Voices Part II: Technical Details for Topic Mining

感谢陈兴璐对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们。