[發明專利]一種混合的文本特征詞匯提取方法

在審

• 申請號: 201610864911.8
• 申請日: 2016-09-30
• 公開（公告）號: CN106610952A
• 公開（公告）日: 2017-05-03
• 發明（設計）人: 金平艷
• 申請（專利權）人: 四川用聯信息技術有限公司
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種混合的文本特征詞匯提取方法，本發明涉及語義網絡技術領域，具體涉及一種混合的文本特征詞匯提取方法，其特征是，包括如下步驟：

步驟1：利用中文分詞技術對文本進行分詞處理，其具體分詞技術過程如下：

步驟1.1：根據《分詞詞典》找到待分詞句子中與詞典中匹配的詞，把待分詞的漢字串完整的掃描一遍，在系統的詞典里進行查找匹配，遇到字典里有的詞就標識出來；如果詞典中不存在相關匹配，就簡單地分割出單字作為詞；直到漢字串為空

步驟1.2：依據概率統計學，將待分詞句子拆分為網狀結構，即得n個可能組合的句子結構，把此結構每條順序節點依次規定為，其結構圖如圖2所示

步驟1.3：基于信息論方法，給上述網狀結構每條邊賦予一定的權值，其具體計算過程如下：

根據《分詞詞典》匹配出的字典詞與未匹配的單個詞，第i條路徑包含詞的個數為，即n條路徑詞的個數集合為

得

在上述留下的剩下的(n-m)路徑中，求解每條相鄰路徑的權重大小

在統計語料庫中，計算每個詞的信息量，再求解路徑相鄰詞的共現信息量，既有下式：

上式為文本語料庫中詞的信息量，為含詞的文本信息量

上式為在文本語料庫中的概率，n為含詞的文本語料庫的個數

上式為含詞的文本數概率值，N為統計語料庫中文本總數

同理

為在文本語料庫中詞的共現信息量，為相鄰詞共現的文本信息量

同理

上式為在文本語料庫中詞的共現概率，m為在文本庫中詞共現的文本數量

為文本庫中相鄰詞共現的文本數概率

綜上可得每條相鄰路徑的權值為

步驟1.4：找到權值最大的一條路徑，即為待分詞句子的分詞結果，其具體計算過程如下：

有n條路徑，每條路徑長度不一樣，假設路徑長度集合為

假設經過取路徑中詞的數量最少操作，排除了m條路徑，m<n，即剩下(n-m)路徑，設其路徑長度集合為

則每條路徑權重為:

上式分別為第1,2到路徑邊的權重值，根據步驟1.4可以一一計算得出，為剩下(n-m)路徑中第條路徑的長度

權值最大的一條路徑:

步驟2：根據停用表對文本詞匯進行去停用詞處理，其具體描述如下：

停用詞是指在文本中出現頻率高，但對于文本標識卻沒有太大作用的單詞，去停用詞的過程就是將特征項與停用詞表中的詞進行比較，如果匹配就將該特

征項刪除

綜合分詞和刪除停用詞技術,中文文本預處理過程流程圖如圖3

步驟3：根據詞匯在文本中的位置得到一系列詞匯位置權重值，其具體描述如下：

各個詞在文本中的分布是不同的，而不同位置的詞對于表示文本內容的能力也是不同的，這個可以根據統計調查得出一系列的位置權重值

步驟4：根據詞匯在文本中的詞性得到一系列詞匯詞性權重值、、、，其具體描述如下：

現代漢語語法中，一個句子主要由主語、謂語、賓語、定語和狀語等成分構成，從詞性的角度看，名詞一般擔當主語和賓語的角色，動詞一般擔當謂語的角色，形容詞和副詞一般擔當定語的角色，詞性的不同，造成了它們對文本或者句子的表示內容的能力的不一樣，根據調查統計得出名詞、動詞、形容詞、副詞的權重值依次為、、和，且

步驟:5：綜合上述位置與詞性，根據詞匯在文本中信息量，得到詞匯的權重貢獻公式，提取第一位與按值從大到小排列的后續m位，即為文本特征詞匯集合，其具體計算過程如下：

利用下列公式，先提取文中信息量最大的詞匯作為文本的核心詞匯；

上式為文本詞匯集合總的個數，為第i個詞匯在文本出現的次數，為位置權重值，為詞性權重值，

再根據對應的詞匯作為參考詞匯，計算其他詞匯與它的相關度，公式如下：

為詞匯與核心詞匯在文本中同一句話中出現的次數， 為詞匯在文本中出現的次數，為核心詞匯在文本中出現的次數，為詞匯與的平均權重值，為詞匯在文本中的權重值

上式

第一位為核心詞匯，后續詞匯排列按的值從大到小排列

步驟6：綜合詞匯語義相似度方法，構造詞匯語義網絡模型圖；

步驟7：根據鄰域方法，得到詞匯在整個詞匯語義網絡模型中的重要度，找到滿足重要度條件的文本特征詞匯集合。