中文新聞文件的關聯法則探勘

Abstract

新聞文件記錄每天發生的重要事件，在這些大量的新聞文件中，往往蘊含重要的資訊。本研究提出一個自動化探勘架構，從大量的新聞文件中擷取出有用的關鍵詞彙，以關聯法則進一步萃取出潛藏的知識。在探勘過程中，針對中文新聞文件結構的特殊性，我們以結合詞庫式斷詞與統式斷詞的混合式斷詞法進行中文斷詞；根據新聞撰寫經驗法則，提出四個處理程序，取得新聞文件中較具代表性的關鍵詞彙；為切合新聞文件知識開採需求，使用概念階層樹建構背景知識與關鍵詞彙，搭配改良後的關聯法則，提出四個關聯模式：第一個是基本關聯法則，第二個是結構化資料與高頻詞彙關聯，第三個是結構化資料與同類詞彙關聯，第四個為非結構化資料的分佈差異。最後我們以實驗驗證此探勘架構的可行性。