38、数据挖掘在文本风格分析与蛋白质结构预测中的应用

数据挖掘在文本风格分析与蛋白质结构预测中的应用

1. 计算文体学与决策算法分析

1.1 计算文体学概述

计算文体学聚焦于书面文档语言风格的描述和量化表达，这有助于作者特征刻画、风格比较以及作者归属判定。其核心概念在于，尽管作者在一定程度上潜意识地使用语言特征，但通过所谓的作者不变量（一组对于同一作者文本保持一致，而对于不同作者文本有明显差异的标记），仍可检测出他们的个人风格。

在文本分析中，选择合适的特征描述文本是关键决策之一。由于文体学研究界对于应采用哪些文本标记尚无共识，领域知识往往不足以做出明智的特征选择。因此，一种可行的方法是尽可能收集更多数据，依靠处理技术自身的降维机制来去除无关或冗余信息。

1.2 数据挖掘与 DRSA

经典粗糙集方法（CRSA）通过条件属性值来区分对象，其不可分辨关系仅适用于名义分类，即处理抽象或离散数据。为处理实值数据集，可采用离散化方法，或使用基于优势的粗糙集方法（DRSA）。

在 DRSA 中，帕累托或优势原则取代了不可分辨性，即如果对象 x 在条件属性上至少与对象 y 一样好，那么 x 应至少与 y 分类相同。这种方法不仅能处理名义数据，还能处理有序数据。

数据处理的第一步是构建决策表，该表包含了关于对象的所有知识。决策表通常包含过多数据，因此在检查其一致性后，需要进行降维处理。粗糙集方法提供了两种降维机制：一是找到相对约简，即保持决策表分类属性的条件属性子集；二是根据支持度和长度丢弃一些计算出的决策规则。

1.3 基于约简的属性分析

过去的研究关注条件属性在约简和规则中的出现频率，但这种方法假设所有约简具有相同