何烨辛，谷 林，孙 晨

(1.西安工程大学 计算机科学学院，陕西 西安 710048；2.西安科技大学 管理学院，陕西 西安 710054)

0 引 言

在互联网飞速发展与数据大爆炸的时代，海量的数据如何有效地进行特征提取是自然语言处理领域一个重要的研究方向。在自然语言处理领域和人工智能领域中，高效地实现人与计算机之间用自然语言进行有效通信的各种理论和方法是现今学者们广泛研究的内容。在计算机学科相关教育教学中，编译错误信息是衡量学生代码正确性和代码质量的一个重要指标，而编译错误信息特征的提取不仅可以有效地进行特征的聚类与分类等研究，还可以为计算机学科的教育教学中学生编程问题提供针对性的指导，从而提高学生的编程效率，提升编程兴趣。在文本特征提取中，目前已有的特征提取方法包含词袋模型[1-3]、信息增益(information gain，IG)[4-5]、词频-逆向文件频率模型[6-9](term frequency-inverse document frequency，TF-IDF)以及word2vec文本特征提取[10-11]等相关方法。文献[12]提出了一种方法用来解决从英语和意大利语文本中以无监督的方式提取关键词或短语的问题。这种方法的主要特征是由两种方法集成，单词嵌入模型(例如word2vec或GloVe能够捕获单词及其上下文的语义)和聚类算法(能够识别术语的本质)并选择较重要的一个或多个来表示文本的内容以更优的方式实现英语和意大利语关键词或短语提取。文献[13]使用word2vec将单词表示为矢量形式的模型计算英语单词之间的相似度。使用英语维基百科中的320 000条文章作为语料库，利用余弦相似度计算方法确定相似度值。……