[發明專利]科技文獻檢索方法及系統

在審

• 申請號: 201410398279.3
• 申請日: 2014-08-13
• 公開（公告）號: CN104166712A
• 公開（公告）日: 2014-11-26
• 發明（設計）人: 郭曉利;曲朝陽;潘峰;婁建樓;孫慧宇
• 申請（專利權）人: 東北電力大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06F17/27
• 代理公司: 北京泛華偉業知識產權代理有限公司 11280
• 代理人: 王勇;李科

1.一種科技文獻檢索方法，所述方法包括：

步驟1)基于科技文獻名稱的特征向量空間，將接收到的檢索詞條表示為特征向量的形式，并計算該檢索詞條的特征向量與數據集中每個科技文獻名稱的特征向量之間的語義相關度；

步驟2)取其名稱對應的語義相關度高的前若干個科技文獻作為檢索結果；

其中，所述科技文獻名稱的特征向量空間是通過下列操作得到的：

a)提取用于檢索的數據集中所有科技文獻名稱來構成訓練集；

b)對訓練集中每個科技文獻名稱進行分詞，統計每個詞在訓練集中出現的次數并計算每個詞的詞頻與逆向文檔頻率；其中，每個詞的詞頻等于該詞在訓練集中出現的次數除以所有詞在訓練集中出現的次數之和；所述每個詞的逆向文檔頻率為：

c)取其詞頻與逆向文檔頻率的乘積大的前若干個詞作為特征詞來構成所述科技文獻名稱的特征向量空間。

2.根據權利要求1所述的方法，所述步驟1)還包括：

如果所述檢索詞條中包含中文字“的”，則對于其前綴與所述檢索詞條的前綴相同的各個科技文獻名稱，將其對應的語義相關度與相關度修正值相加；其中，所述前綴為檢索詞條和/或科技文獻名稱中處于中文字“的”之前的部分，所述相關度修正值為一個在0與1之間的實數。

3.根據權利要求2所述的方法，所述相關度修正值是通過下面的公式計算的：

α=β·rnlgnr]]>

其中，α表示相關度修正值，r表示訓練集中其前綴與所述檢索詞條的前綴相同的各個科技文獻名稱的數目，n表示所述訓練集中科技文獻名稱的總數目，β為相關度影響因子，其取值在0到1之間。

4.根據權利要求2或3所述的方法，還包括將用于檢索的數據集中所有的科技文獻分為多個指定的類別；以及在所述步驟1)還包括：

按照下列公式計算檢索詞條的前綴對于每個類別的類別相關度修正系數：對于第i個類別的類別相關度修正系數W_i為：

其中t表示檢索詞條的前綴，表示前綴t在屬于第i個類別的所有科技文獻的名稱中出現的總次數，m表示屬于第i個類的科技文獻的數目，n_t表示前綴t在數據集的所有科技文獻的名稱中出現的總次數，α代表所述相關度修正值；以及

對于每個類別內包含的每個科技文獻的名稱對應的語義相關度都加上相應的類別相關度修正系數。

5.根據權利要求1所述的方法，在所述步驟1)中所述語義相關度為所述檢索詞條的特征向量與每個科技文獻名稱的特征向量之間的余弦距離、歐式距離或杰卡德距離。

6.一種科技文獻檢索系統，所述系統包括：

語義相關度計算模塊，用于基于科技文獻名稱的特征向量空間，將接收到的檢索詞條表示為特征向量的形式，并計算該檢索詞條的特征向量與數據集中每個科技文獻名稱的特征向量之間的語義相關度；

輸出模塊，取其名稱對應的語義相關度高的前若干個科技文獻作為檢索結果；

其中，所述科技文獻名稱的特征向量空間是通過下列操作得到的：

a)提取用于檢索的數據集中所有科技文獻名稱來構成訓練集；

b)對訓練集中每個科技文獻名稱進行分詞，統計每個詞在訓練集中出現的次數并計算每個詞的詞頻與逆向文檔頻率；其中，每個詞的詞頻等于該詞在訓練集中出現的次數除以所有詞在訓練集中出現的次數之和；所述每個詞的逆向文檔頻率為：

c)取其詞頻與逆向文檔頻率的乘積大的前若干個詞作為特征詞來構成所述科技文獻名稱的特征向量空間。

7.根據權利要求6所述的系統，所述語義相關度計算模塊還包括相關度調整模塊，用于如果所述檢索詞條中包含中文字“的”，則對于其前綴與所述檢索詞條的前綴相同的各個科技文獻名稱，將其對應的語義相關度與相關度修正值相加；其中，所述前綴為檢索詞條和/或科技文獻名稱中處于中文字“的”之前的部分，所述相關度修正值為一個在0與1之間的實數。