[發(fā)明專利]一種文檔語義相似度計(jì)算方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410348547.0
• 申請(qǐng)日: 2014-07-21
• 公開（公告）號(hào): CN104182468A
• 公開（公告）日: 2014-12-03
• 發(fā)明（設(shè)計(jì)）人: 賈巖
• 申請(qǐng)（專利權(quán)）人: 安徽華貞信息科技有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 合肥市長(zhǎng)遠(yuǎn)專利代理事務(wù)所(普通合伙) 34119
• 代理人: 程篤慶;黃樂瑜

1.一種文檔語義相似度計(jì)算方法，其特征在于，采用設(shè)定閾值的方法，分區(qū)間計(jì)算相似度，具體包括以下步驟：

A、構(gòu)建一套或多套本體庫；通過輸入概念體系和主要描述詞語構(gòu)成本體庫，本體庫中，概念之間根據(jù)關(guān)聯(lián)程度構(gòu)成概念樹，概念樹構(gòu)成概念森林；

B、計(jì)算語義相似度；利用tf-idf算法計(jì)算查詢對(duì)象vQuery_m與文檔vDoc_m之間的語義相似度，計(jì)算公式為，

sim(vQuerym,vDocn)=Σjtf-idf(cnj)·Σisim(cmi,cnj)]]>

tf為查詢對(duì)象在文檔中出現(xiàn)的次數(shù)，idf為查詢對(duì)象普遍重要性的度量，

sim(c_mi,c_nj)為概念c_mi，c_nj之間的語義相似度，計(jì)算公式如下，

sim(cmi,cnj)=p·cd+c]]>

d為兩個(gè)概念在概念樹中的距離；c為隨系統(tǒng)自動(dòng)調(diào)節(jié)參數(shù)；p為本體中預(yù)定義的c_mi，c_nj之間的關(guān)聯(lián)程度，默認(rèn)值為1；

C、設(shè)定閾值，計(jì)算概念相似度；選擇閾值δ，0≤δ＜1，重新改寫概念相似度并記為S，則，

S=sim-δ1-δif sim>δ0else,(0≤δ<1)]]>

sim為sim(c_mi,c_nj)簡(jiǎn)寫；

D、語義相似度計(jì)算公式變形；將概念相似度S代入tf-idf算法，得到語義相似度計(jì)算公式，

sim(vQuerym,vDocn)=Σjtf-idf(cnj)·ΣiS(cmi,cnj)=ΣiΣcnj∈SETitf-idf(cnj)·S(cmi,cnj)]]>

S(c_mi,c_nj)為的c_mi，c_nj的概念相似度S，詞語c_mi屬于vQuery_m，SET_i為與c_mi相似度大于0的詞語集合。