[發明專利]基于句間關聯圖的文本主題挖掘方法

在審

• 申請號: 201410451862.6
• 申請日: 2014-09-05
• 公開（公告）號: CN104298709A
• 公開（公告）日: 2015-01-21
• 發明（設計）人: 陶余會;吳康寧;孫煦峰;趙亮
• 申請（專利權）人: 上海中和軟件有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06F17/27
• 代理公司: 上海華工專利事務所(普通合伙) 31104
• 代理人: 繆利明

1.一種基于句間關聯圖的文本主題挖掘方法，其特征在于，具體步驟如下：

1)目標文本預處理

對目標文本按句劃分，獲得文本的句子序列表S，并對句子序列表S中的各個句子進行詞匯分析，提取各個句子中的詞匯，將各句子中的詞匯作為特征詞；

2)構建目標文本的句子關聯矩陣為：

A＝[A_ij]_m×m

Aij=(-1.0)*Pij*log2Pij,Pij>00,Pij=0]]>

Pij=Cij|Si|*|Sj|,i≠j0,i=j]]>

其中，A為目標文本的句子關聯矩陣，A為m×m的矩陣，m為句子序列表S中的句子數量，A_ij為A中的第i行第j列元素，1≤i≤m,1≤j≤m，S_i為句子序列表S中的第i個句子，S_j為句子序列表S中的第j個句子，|S_i|為S_i中的特征詞數量，|S_j|為S_j中的特征詞數量，C_ij為S_i與S_j中共同出現的特征詞的數量；

3)計算句子序列表S中各元素的權值，具體計算公式為：

W(i)=Σj=1mAij]]>

其中，W(i)為句子序列表S中的第i個句子的權值；

4)將句子序列表S中權值最大的句子設定為主題句；

5)計算所有主題句的字符長度之和，如果所有主題句的字符長度之和達到主題長度，則轉至步驟8)，反之則轉至步驟6)；

其中，主題長度為預先設定的字符數量閾值；

6)調整句子序列表S中各個非主題句的權值，非主題句的權值調整公式為：

Wnew(i)=Wold(i)1-(Pic)2,Pic≥0.5]]>

Pic=Cic|Si|*|Sc|,i≠c0,i=c]]>

其中，W_new(i)為句子序列表S中的第i個句子調整后的權值，W_old(i)為句子序列表S中的第i個句子調整前的權值，S_i為句子序列表S中的第i個句子，S_c為句子序列表S中最新選出的主題句，|S_i|為S_i中的特征詞數量，|S_c|為S_c中的特征詞數量，C_ic為S_i與S_c中共同出現的特征詞的數量；

7)將句子序列表S的非主題句中權值最大的句子設定為主題句，再轉至步驟5)；

8)將句子序列表S中所有主題句作為從目標文本中挖掘到的主題內容。