这篇文章是针对关键字识别的全面研究的一个小摘要。 语义抽取技术最初被应用于社交媒体的抑郁模式研究领域。 在这里，我专注于没有心理学解释的自然语言处理和数学方面。 显然，单字频率的分析是不够的。 集合的多次随机混合不会影响相对频率，但会完全破坏信息-单词袋效应。 我们需要更准确的方法来挖掘语义吸引子。
根据关系框架理论（RFT），实体的双向链接是基本的认知元素。 bigram词典的假设已得到检验。 我们探索了讲俄语的顶级帮助墙。 每天150,000次访问。 响应/请求收集已解析：2018年有25,000条记录。
文本清理包括年龄/性别/文本和消息长度标准化。 通过[姓名-性别]认可达到性别标准化。 形态清洗和标记化允许以标准形式获得名词。 挖掘具有相应频率的二元词的词汇。 Bigram集按频率排序，并根据截止标准在两组中归一化为相等的体积。 每个组，请求/响应都具有唯一的双字母组矩阵。 显示出与香农熵成反比的信息增加：增量的30％。 3克I（3）-I（2）= 6％，[H（4）-H（3）] = 2％且N> 4小于1％。
Bigram矩阵用作加权无向3D图的生成器。 转换是通过Open Ord力导向布局算法实现的。 它可以将2D矩阵转换为基于树的拓扑。 每个节点的权重对应于单个单词的频率（未显示），而边长则是双字频率的反函数。 我考虑了居中性（BC）并修改了最近的邻居。 具有超高BC的实体可以被视为信息中心，这会影响语义：移除这些实体主要会影响信息 。 最近邻居基于同现频率分析。 我考虑了修改后的邻居排序。 与共现距离（CD）成反比的邻居的BC用作加权函数：BC / CD。
我们检查了所选卑诗根附近的最近邻居：#Life。 #Man（No.1）的价值几乎与#Life吸引子融合在一起。 #Procreation（排名2），＃Family（排名3）是BC / CD等级较低的下一个最接近实体。 响应值按以下顺序表示：#Man No.1，＃Job No.2，＃Procreation No.3。 应该注意的是，在回答组中显然存在话题偏见。 然而，尽管话题有些杂乱无章，但个人和团体价值观的分离（#Man Vice #Life）还是很明显的。 Graph基于10,000个最常见的二元组：44％的数据。 但是，按BC / CD排序的前5个实体在重新缩放为双链词典的50％和88％之后不会改变。
考虑的结果与心理学中的经验观察相关。 因此，他们初步确定了选择的BC / CD测距算法以识别语义吸引子。 如果您处理大噪音文本/语音数据，将非常方便。 它可以用于挖掘与所选实体相关的关键字或绝对术语。 您可以在这里阅读更多内容。 该仪器也可以在人力资源评估中应用。 作者在英语部分进行相关研究并寻求合作。 完整的研究版本尚待同行评审期刊上发表。 但是，您可以应个人要求索取汇票。 谢谢你
我感谢Dmitry Vodyanov的富有成果的讨论。