[發明專利]識別技術文件中關鍵詞的方法及系統

有效

• 申請號: 201310629883.8
• 申請日: 2013-11-29
• 公開（公告）號: CN103646058B
• 公開（公告）日: 2017-01-25
• 發明（設計）人: 劉邦信;趙云飛;張亞棟;龍威
• 申請（專利權）人: 北京廣利核系統工程有限公司;中國廣核集團有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京元中知識產權代理有限責任公司11223
• 代理人: 王明霞

1.一種識別技術文件中關鍵詞的方法，包括以下步驟：

S100、對技術文件中不同長度的詞匯進行掃描與識別，以生成多個不同長度詞匯的哈希表；

S200、對每個哈希表進行排序，并提取哈希表中的元素，以生成高頻詞匯列表；

S300、去除高頻詞匯列表中的不完整詞匯后，以得到關鍵詞匯列表。

2.根據權利要求1所述的識別技術文件中關鍵詞的方法，其特征在于，對詞匯的長度進行設定，每次只掃描一種長度的詞匯。

3.根據權利要求2所述的識別技術文件中關鍵詞的方法，其特征在于，對技術文件中的文本信息進行分類，包括：

將文本信息中由漢字組成的漢字信息定義為Han；

將文本信息中由標點符號組成的標點符號信息定義為Ic；

將文本信息中由數字組成的數字信息定義為Num；

將文本信息中由英文字母、下劃線、中劃線和數字混合組成的編碼或英文單詞信息定義為Eng；

將文本信息中由空白字符組成的空白符定義為Nul。

4.根據權利要求3所述的識別技術文件中關鍵詞的方法，其特征在于，步驟S100中的具體操作如下：

S101、將技術文件中的文本信息分割為多個段落；

S102、以標點符號信息（Ic）為分割符，將某個段落分割為多個句子；

S103、對某個段落中的句子進行處理，包括：

S1031、獲取某一句子；

S1032、將設定的n長度詞匯與句子的有效長度進行比較，若n長度詞匯大于句子的有效長度，則跳轉執行S104，否則執行步驟S1033；

S1033、判斷句子中的首字符的類型，若句子的首字符類型為空白符（Nul）或數字信息（Num），則跳轉執行S1036，否則執行步驟S1034；

S1034、取句子的前m個有效字符作為詞匯，其中，前m個有效字符為非空白符（Nul）；

S1035、將上述詞匯以及在文檔中出現的次數加入哈希表中；

S1036、刪除句子的首字符，并返回至步驟S1033；

S104、判斷段落中是否還有未經過處理的句子，若結果為是，則返回至S1031，若結果為否，則執行步驟S105；

S105、判斷是否還有未經過處理的段落，若結果為是，則返回至S102，若結果為否，則表明已獲得n長度詞匯的哈希表，操作結束。

5.根據權利要求1所述的識別技術文件中關鍵詞的方法，其特征在于，在步驟S300中，對關鍵的短詞匯與長詞匯出現的次數進行統計，若短詞匯統計次數與長詞匯的統計次數之差，超過一個臨界值，則表明短詞匯作為獨立詞匯出現過多次，就不應消除。

6.根據權利要求5所述的識別技術文件中關鍵詞的方法，其特征在于，在步驟S300中的具體操作如下：

S301、獲取m+1長度的詞匯列表；

S302、提取一個未處理的未處理詞匯（Long?Word）；

S303、提取未處理詞匯（Long?Word）中的前m個字作為首詞匯（First?Word）；

S304、判斷首詞匯（First?Word）是否在m長度的詞匯列表中，若判斷為是，則執行步驟S305，否則，跳轉執行步驟S307；

S305、將首詞匯（First?Word）出現的次數與未處理詞匯（Long?Word）出現的次數的差與臨界值進行比較，若二者的差小于臨界值，則執行步驟S306，否則，跳轉執行步驟S307；

S306、將首詞匯（First?Word）由m長度的詞匯列表中刪除；

S307、提取未處理詞匯（Long?Word）中的后m個字作為末尾詞匯（Last?Word）；

S308、判斷末尾詞匯（Last?Word）是否在m長度的詞匯列表中，若判斷為是，則執行步驟S309，否則，跳轉執行步驟S311；

S309、將末尾詞匯（Last?Word）出現的次數與未處理詞匯（Long?Word）出現的次數的差與臨界值進行比較，若二者的差小于臨界值，則執行步驟S310，否則，跳轉執行步驟S311；

S310、將末尾詞匯（Last?Word）由m長度的詞匯列表中刪除；

S311、判斷m+1長度的詞匯列表中是否還有未處理詞匯，若判斷為是，則返回執行步驟S302，若判斷為否，則表明已詞匯列表中的不完整詞匯，操作結束。