基于带权文本矩阵分解信息熵模型的新闻评论摘要

？针对新闻的评论的抽取问题，提出了一种将带权文本矩阵分解（wtmf）与信息熵结合的社交媒体评论自动抽取方法。该方法对微博（tweets）和news信息构建基于异质图的wtmf模型，解决短文本特征稀疏问题，保障信息的相似性；根据tweet的特征分布，构建基于特征的二元信息熵和连续信息熵，保证信息的多样性。最后依据子模属性，设计基于贪心的抽样算法，获取优化问题近似最优解。实验结果表明，wtmf与信息熵结合的方法能有效提高社交媒体性评论抽取的性能，在rouge2上召回率和f1值分别达到0.40074和0.27330。与潜在狄利克雷分配（lda）扩展模型——基于位的主体模型(btm)相比，分别提高了0.05和0.03，有效地提高了新闻评论质量。