[發明專利]文檔與標簽詞語義關聯方法及其裝置

有效

• 申請號: 201610051437.7
• 申請日: 2016-01-26
• 公開（公告）號: CN105718585B
• 公開（公告）日: 2019-02-22
• 發明（設計）人: 陳發君;劉忠;黃金才;修保新;朱承;程光權;陳超;馮旸赫
• 申請（專利權）人: 中國人民解放軍國防科學技術大學
• 主分類號: G06F16/35
• 分類號: G06F16/35
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 陳立新

1.一種文檔與標簽詞語義關聯方法，其特征在于，包括以下步驟：

步驟S100：獲取所述文檔，作為文檔語料，所述文檔屬于標簽詞相關領域且具有時效性；

步驟S200：構造句法模式并對所述文檔語料進行句法模式匹配，合并符合所述句法模式的結果為候選提及相關詞集合C；

步驟S300：用經過訓練的Word2vec模型對所述候選提及相關詞C集合進行過濾，得到提及相關詞集合V；

步驟S400：根據所述提及相關詞和所述標簽詞，計算多篇所述文檔與所述標簽詞的相關度，并構建所述標簽詞與所述文檔的相關度數據庫；

所述句法模式包括含多個所述標簽詞s的S集合、含多個模式標識詞的W集合和N集合，其中所述W集合為模式標識詞集合，所述N集合為所述文檔語料的句子中處于所述模式標識詞后的所有名詞的集合；

所述模式標識詞包括同義模式標識詞和子概念標識詞。

2.根據權利要求1所述的文檔與標簽詞語義關聯方法，其特征在于，所述步驟S200中包括以下步驟：

步驟S210：對所述文檔語料中的句子進行逐句對比；

步驟S220：判斷所述句子中是否包含所述標簽詞s和所述模式標識詞w；

步驟S230：如果包含所述標簽詞s和所述模式標識詞w，則將所述句子中處于所述模式標識詞w后的所有名詞歸入所述N集合中，合并多個所述N集合，得到所述候選提及相關詞集合C。

3.根據權利要求1所述的文檔與標簽詞語義關聯方法，其特征在于，所述步驟S300中的所述過濾包括以下步驟：

步驟S310：以所述文檔語料訓練所述Word2vec模型后，采用所述訓練后的所述Word2vec模型計算所述候選提及相關詞集合C中每個詞與所述標簽詞的Word2vec相關度；

步驟S320：選取所述C集合中與所述標簽詞的Word2vec相關度大于閾值的詞，構造包含多個提及相關詞v的集合V。

4.根據權利要求3所述的文檔與標簽詞語義關聯方法，其特征在于，所述閾值為0.75。

5.根據權利要求3所述的文檔與標簽詞語義關聯方法，其特征在于，所述步驟S400還包括以下步驟：

步驟S410：對待處理文檔進行分詞，得到所述待處理文檔中包含的所有詞；

步驟S420：判斷組成所述待處理文檔的所有詞中是否包含所述標簽詞s和/或所述提及相關詞v；

步驟S430：如果包含，則判定所述待處理文檔為與所述標簽詞集合相關的數據庫文檔，計算所述數據庫文檔中所述標簽詞或所述提及相關詞的詞頻，作為所述數據庫文檔的提及相關度；

步驟S440：在所述數據庫文檔上標記所述提及相關度，并構建所述數據庫文檔的關聯數據庫。

6.根據權利要求5所述的文檔與標簽詞語義關聯方法，其特征在于，通過Web Service對終端用戶提供所述關聯數據庫的查詢接口。

7.根據權利要求1～6中任一項所述的文檔與標簽詞語義關聯方法，其特征在于，所述Word2vec模型以所述文檔作為語料進行訓練。

8.一種用于如權利要求1～7中任一項所述方法的文檔與標簽詞語義關聯裝置，其特征在于，包括：

文檔獲取模塊，用于獲取所述文檔，作為文檔語料，所述文檔屬于標簽詞相關領域且具有時效性；

句法匹配模塊：用于構造句法模式并對所述文檔語料進行句法模式匹配，合并符合所述句法模式的結果為候選提及相關詞集合C；

Word2vec模型過濾模塊：用于用經過訓練的Word2vec模型對所述候選提及相關詞C集合進行過濾，得到提及相關詞集合V；

數據庫構建模塊：用于根據所述提及相關詞和所述標簽詞，計算多篇所述文檔與所述標簽詞的相關度，并構建所述標簽詞與所述文檔的相關度數據庫；

所述句法模式包括含多個所述標簽詞s的S集合、含多個所述模式標識詞的W集合和N集合，其中所述W集合為模式標識詞集合，所述N集合為所述文檔語料的句子中處于所述模式標識詞后的所有名詞的集合；

所述模式標識詞包括同義模式標識詞和子概念標識詞。