信息可視化設(shè)計教程【專題新聞文本集信息可視化研究】

　　[摘要]根據(jù)新聞要素說，提取專題新聞文本中的關(guān)鍵詞并進行預(yù)處理；采用向量空間模型表示文本，運用K―means算法實現(xiàn)文本聚類并構(gòu)建關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型以實現(xiàn)文本的可視化。實例表明：該方法能直觀地顯示專題新聞文本集的主要信息，便于快速掌握新聞中的主體與事件的關(guān)系以及新聞關(guān)注點隨時間的變化，從而加深對信息的理解，有利于信息的充分利用。
　　[關(guān)鍵詞]信息可視化　文本信息　關(guān)聯(lián)網(wǎng)絡(luò)模型
　　[分類號]G203
　　
　　1　引言
　　
　　面對大量的新聞信息，人們迫切需要了解信息之間的相互關(guān)系及發(fā)展趨勢，發(fā)現(xiàn)隱藏在其中的本質(zhì)特征和規(guī)律�？梢暬�技術(shù)可以直觀地展示新聞文本中的大量信息及其之間的關(guān)系，便于人們理解、掌握信息。
　　信息可視化是指非空間數(shù)據(jù)的可視化。Card等將信息可視化定義為：“使用計算機支持、交互性的視覺表示法，對抽象數(shù)據(jù)進行表示，以增強認(rèn)知”。也就是說，信息可視化是使用直觀的方式展現(xiàn)原始數(shù)據(jù)間的復(fù)雜關(guān)系、潛在信息以及發(fā)展趨勢，其目的是為了更好地利用信息資源。關(guān)于信息可視化的研究主要集中在三個方面：理論介紹、算法與模型的介紹以及實際應(yīng)用。20世紀(jì)90年代是信息可視化研究的初期，主要是理論的介紹，包括信息可視化的概念、內(nèi)涵、研究內(nèi)容等。其中，文本信息可視化是信息可視化的一種，可以分為兩類：一類是對單文檔的可視化；另一類是對多文本(文本集)的可視化。而基于時間信息的可視化模型是信息可視化研究領(lǐng)域的熱點問題之一，如時間墻模型和主題河流模型。這兩種模型都以時間為水平軸線展示文本信息，以發(fā)現(xiàn)文本主題的發(fā)展趨勢和隱含信息。此外，信息可視化模型還包括關(guān)聯(lián)分析模型和RDV模型。文本信息可視的方法主要有圖符標(biāo)識法、高維空間描述法、自組織地圖算法及群集映射法。文本信息可視化的應(yīng)用研究主要集中在文獻領(lǐng)域。如：Young Gil Kim等實現(xiàn)了專利文獻的可視化；Josiane Mothe則通過將文本在地圖上的可視化顯示，進行信息挖掘。在國內(nèi)，鄭珩等針對國內(nèi)管理科學(xué)文獻進行可視化研究，任智軍等研究了科技文獻中的可視化分析技術(shù)。
　　現(xiàn)已提出的文本信息可視化模型大都按時間關(guān)系建立，能直觀顯示時間上文本間的關(guān)聯(lián)，而對文本間深層次信息實體間的關(guān)聯(lián)則難以體現(xiàn)，導(dǎo)致現(xiàn)階段文本信息可視化未能挖掘出文本中深層次的信息，僅停留在統(tǒng)計分析的基礎(chǔ)之上。因此，本文根據(jù)專題新聞文本集的特點，借助網(wǎng)絡(luò)，針對新聞文本內(nèi)容，構(gòu)建專題新聞文本集信息可視化模型，并以新浪網(wǎng)上四川汶川地震專題中關(guān)于災(zāi)后重建的新聞文本集為例進行實證研究。
　　
　　2 專題新聞文本集信息可視化流程
　　
　　專題新聞文本集是多個關(guān)于某個專題新聞文本的集合，其可視化流程基本分為以下5個步驟。
　　
　　2.1　提取關(guān)鍵詞
　　新聞具有五要素即who、when、where、what和why，因此每篇新聞文本都可以從這五個方面提取關(guān)鍵詞，代表每篇新聞文本的主要信息。為了簡化研究，突出事件的發(fā)展變化，本文只針對who，when和what進行研究。新聞文本一般直接寫明描述性特征who和when，但現(xiàn)在的一些新聞中常常省去when。由于新聞具有很強的時效性，當(dāng)新聞中省略when時，可以用新聞電頭標(biāo)注的時間代替。而對于語義特征要素what，關(guān)鍵詞的提取則需要根據(jù)研究目的，咨詢相關(guān)領(lǐng)域的專家并結(jié)合領(lǐng)域內(nèi)熱門搜索關(guān)鍵詞確定一系列初始關(guān)鍵詞，然后參考這些初始關(guān)鍵詞，根據(jù)新聞文本內(nèi)容提取。這樣，每篇新聞文本的信息就用描述性關(guān)鍵詞結(jié)合語義關(guān)鍵詞表示。
　　
　　2.2　關(guān)鍵詞的預(yù)處理
　　一篇文本可以用多個關(guān)鍵詞表示，當(dāng)多個文本聚合在一起時，關(guān)鍵詞數(shù)量巨大且分散而無規(guī)律可循，需要減少關(guān)鍵詞。根據(jù)描述性關(guān)鍵詞和語義關(guān)鍵詞的不同特點，采用不同的方法分別對兩者進行預(yù)處理。經(jīng)過預(yù)處理的關(guān)鍵詞構(gòu)成關(guān)鍵詞庫。
　　在新聞文本中，who和when是具體化的，因此提取的關(guān)鍵詞也是具體的。對于when，根據(jù)研究的專題新聞文本集的時間范圍，將時間粒度確定為日、月或年。對于who則可以進行語義泛化處理。例如，國家元首是國家政府的代表，可以將其泛化為某國政府。
　　泛化處理后的語義關(guān)鍵詞what數(shù)量可能仍然太大，可以根據(jù)不同的主體分別對語義關(guān)鍵詞進行主成分分析，得出不同主體的主要行為及其原因，以進一步減少關(guān)鍵詞。
　　
　　2.3　文本聚類
　　文本聚類前常用向量空間模型對文本信息進行處理，稱為文本表示，其目標(biāo)就是將文本表示成為帶權(quán)重的向量。一般使用“詞一文檔”矩陣表示一系列文檔。矩陣的每一列(1，…，j，…，n)代表預(yù)處理后的一個關(guān)鍵詞，矩陣的每一行(1，…，i，…，m)代表文本集中的一個文本。參照預(yù)處理后的關(guān)鍵詞庫，當(dāng)?shù)趇個文本中含有關(guān)鍵詞j，那么矩陣中元素(i，j)的值為1，否則為0。所有的文本都可以用元素為0或1的向量表示。
　　文本集轉(zhuǎn)化為特征矩陣后，采用K-means算法進行文本聚類，需要先確定劃分的類別數(shù)目，即K的值(K≥2)。關(guān)于K值的確定可以參考專題新聞文本集中主體who的數(shù)量，也可以嘗試不同的值以得到最滿意的聚類結(jié)果。
　　
　　2.4　構(gòu)建關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型
　　由于每篇文本的信息都由關(guān)鍵詞表示，關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型實際上是文本的關(guān)聯(lián)網(wǎng)絡(luò)模型。建立關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型的基本步驟如下：
　　?確定每類文本的關(guān)鍵詞集合�；�于文本的聚類結(jié)果，每類文本的關(guān)鍵詞都可以組成一個關(guān)鍵詞集D：(dt，…，dp，…，dq)。文本集劃分為K類，則有K個關(guān)鍵詞集。在每個關(guān)鍵詞集中，其元素d。具有唯一性。例如，文本A具有關(guān)鍵詞a，b，c，文本B具有關(guān)鍵詞c和d，那么這個文本類的關(guān)鍵詞集D=(a，b，c，d)。
　　?建立關(guān)鍵同的連接。當(dāng)任意兩篇文本中含有相同的關(guān)鍵詞時，兩篇文本就可以以相同的關(guān)鍵詞為節(jié)點，建立連接關(guān)系。如關(guān)鍵詞c是文本A和文本B的公共關(guān)鍵詞，以c為節(jié)點，A和B之間就可以建立聯(lián)系。
　　?構(gòu)建關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型。針對每個關(guān)鍵詞，計算其在同一個文本類中出現(xiàn)的次數(shù)，以關(guān)鍵詞出現(xiàn)的次數(shù)作為其節(jié)點權(quán)值，同時查找包含這個關(guān)鍵詞的所有文本的時間要素，以這些文本中最早的時間作為關(guān)鍵詞的時間。如關(guān)鍵詞c在文本A中出現(xiàn)的時間是2008-5-24，在文本B中出現(xiàn)的時間是2008―6一l，那么關(guān)鍵詞c的時間是2008-5-24，其權(quán)值為2。
　　文本聚類將文本集分為K個文本類，每一個文本類都可以建立一個關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型。根據(jù)以上步驟，將每一個文本類的關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型連接起來構(gòu)成文本集的關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型。由于任一文本都是用一系列關(guān)鍵詞代替，關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型實質(zhì)上 是文本集的關(guān)聯(lián)網(wǎng)絡(luò)模型。
　　
　　2.5　可視化顯示
　　可視化顯示就是將關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型用直觀的、易于理解的圖形顯示出來。新聞文本具有很強的時效性，專題新聞文本集可以看作是一個時間序列集。在可視化顯示過程中，以時間為序，關(guān)鍵詞按照其出現(xiàn)的時間先后在圖形中顯示。用一個實點代表一個關(guān)鍵詞節(jié)點，點的大小代表這個節(jié)點的權(quán)值大小，即關(guān)鍵詞出現(xiàn)的頻率。同時將關(guān)鍵詞的時間標(biāo)注在其實點下方。用弧表示關(guān)鍵詞之間的關(guān)系，弧的長度表示關(guān)鍵詞之間的時間間隔，弧越長表示時間間隔越長，反之時間間隔短。弧的粗細(xì)代表關(guān)鍵詞之間聯(lián)系的緊密程度，弧越粗表示聯(lián)系越緊密，反之聯(lián)系不緊密。
　　
　　3　實證分析
　　
　　3.1　數(shù)據(jù)獲取
　　以2008年5月24日至6月12日新浪網(wǎng)上四川汶川大地震專題新聞中關(guān)于災(zāi)后重建的新聞文本為原始數(shù)據(jù)進行實例研究，其目的是直觀地顯示在災(zāi)后重建過程中人們的關(guān)注點及其變化，共收集到75篇新聞文本。從who，when和what三方面提取關(guān)鍵詞。本次研究關(guān)注的是事件發(fā)生的時刻，而不是事件持續(xù)的時長，所以when提取的是事件發(fā)生的時刻。對what根據(jù)語法結(jié)構(gòu)進行分解即do what，以行為和行為實施的對象兩方面表示。參考網(wǎng)絡(luò)熱門搜索關(guān)鍵詞以確定災(zāi)后重建過程中人們關(guān)注的行為及其對象，并據(jù)此提取新聞文本關(guān)鍵詞，從而構(gòu)成研究的原始數(shù)據(jù)。
　　
　　3.2　數(shù)據(jù)處理
　　數(shù)據(jù)處理就是對收集的原始數(shù)據(jù)，按照文本信息可視化流程進行處理：
　　?關(guān)鍵詞的處理。由于實例中新聞文本的時間跨度小，所以以天為時間單位。Who經(jīng)過抽象產(chǎn)生了8類主體。根據(jù)這8類主體分別對其行為及行為對象的關(guān)鍵詞進行語義泛化處理，目的是得到各類主體的關(guān)鍵行為及行為對象。
　　?文本聚類。由于有8類主體，采用K-means聚類將文本集分為8類。
　　?根據(jù)建立關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型的基本步驟構(gòu)建關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型。
　　
　　3.3 可視化顯示及分析
　　構(gòu)建的關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型如圖1所示，對其進行分析，可以得出以下幾點：
　　
　　?實點表示的主體可實施各種行為，分別是政府、醫(yī)院、交通部門、個人、其他組織�；尹c表示的既是主體又是對象，即可實施一定的行為也可接受其他主體對其實施的行為，分別是企業(yè)、學(xué)校、災(zāi)民。在收集的新聞文本集中，關(guān)于政府和企業(yè)的報道最多，分別有32篇和15篇，所以這兩個點最大，說明政府和企業(yè)是災(zāi)后重建過程中最受關(guān)注的兩個主體。
　　?空心點表示的是行為實施的對象，接受主體實施的行為。圖1中，用空心點表示的分別是過渡房、就業(yè)、家鄉(xiāng)、孤兒、政策、救災(zāi)物資、傷員和學(xué)生。圖中過渡房、傷員、救災(zāi)物資三點較大，說明過渡房、傷員、救災(zāi)物資是災(zāi)后重建過程中最受關(guān)注的對象。
　　?弧代表主體對對象實施的行為。弧的方向由主體指向?qū)ο蟆Ｕ�府實施的行為包括調(diào)控企業(yè)、轉(zhuǎn)移災(zāi)民、頒布政策、救助災(zāi)民、發(fā)放救災(zāi)物資、重建學(xué)校；醫(yī)院主要是接收救治傷員；交通部門主要發(fā)揮運輸作用，運輸傷員、學(xué)生及救災(zāi)物資；個人則捐獻救災(zāi)物資及收養(yǎng)孤兒；其他組織主要是捐獻救災(zāi)物資；企業(yè)的行為包括生產(chǎn)過渡房及提供就業(yè)；學(xué)校接收學(xué)生；災(zāi)民有入住過渡房、返回家鄉(xiāng)、外出就業(yè)等不同的行為。
　　?弧的粗細(xì)代表行為出現(xiàn)的頻率，表示主體與對象聯(lián)系的緊密程度。圖l中說明企業(yè)的生產(chǎn)調(diào)控，過渡房生產(chǎn)、災(zāi)民轉(zhuǎn)移、救災(zāi)物資發(fā)放使用、傷員救治及學(xué)生接收是災(zāi)后重建中比較受關(guān)注的問題。
　　?弧的長短代表文本集中第一次m現(xiàn)該行為的時間與災(zāi)后重建開始時間的間隔。從各行為第一次實施的時間來看，在災(zāi)后重建前期，主要關(guān)注的是災(zāi)民的轉(zhuǎn)移、救助、過渡房的生產(chǎn)、傷員的運輸以及救災(zāi)物資的捐獻。隨著時間的推移，重建工作進一步深入，人們開始關(guān)注其他的一些問題，包括：災(zāi)民返鄉(xiāng)；企業(yè)為災(zāi)民提供就業(yè)機會；政府對基礎(chǔ)設(shè)施的重建；學(xué)校接收學(xué)生復(fù)課的情況。
　　
　　4　結(jié)論
　　
　　本文借助網(wǎng)絡(luò)思想，基于新聞文本內(nèi)容構(gòu)建了災(zāi)后重建專題新聞文本集的關(guān)鍵詞關(guān)聯(lián)網(wǎng)絡(luò)模型，直觀地展示了災(zāi)后重建的動態(tài)發(fā)展變化過程、各主體的主要行為及其之間的關(guān)系以及人們關(guān)注點的變化，有利于人們快速了解災(zāi)后重建的動態(tài)。但由于收集的新聞文本僅限于網(wǎng)絡(luò)媒體文本，原始信息缺乏一定的嚴(yán)謹(jǐn)性和權(quán)威性。且本文只對2008年5月24日至6月12日的新浪網(wǎng)上的文本信息進行分析，雖然具有一定的代表性，但是文本涉及的時間較短、數(shù)據(jù)不夠全面且數(shù)量有限，未能完全展示災(zāi)后重建過程中的所有主體、事件及其之間的復(fù)雜聯(lián)系。此外，只針對新聞五要素中的when、who和what進行分析、研究，尚未融入where和why要素。下一步將進一步研究如何將這兩個要素融入可視化模型，從而更全面、深入地展示文本信息。

相關(guān)熱詞搜索：可視化 文本 專題 專題新聞文本集信息可視化研究 信息公開與新聞可視化 熱點新聞事件及評論