[發明專利]一種短文本相似度分析方法及其系統、計算機設備、介質

在審

• 申請號: 202011258047.X
• 申請日: 2020-11-12
• 公開（公告）號: CN112199937A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 汪楨子;章彬;汪偉;何維
• 申請（專利權）人: 深圳供電局有限公司
• 主分類號: G06F40/194
• 分類號: G06F40/194;G06F40/258;G06K9/62;G06Q10/10
• 代理公司: 深圳匯智容達專利商標事務所(普通合伙) 44238
• 代理人: 徐文城

1.一種短文本相似度分析方法，其特征在于，包括：

步驟S1、獲取待評審項目申報材料電子文檔，并對其進行文本提取得到待評審項目的待評審標題信息；

步驟S2、獲取第i個歷史評審項目申報材料電子文檔，并對其進行文本提取得到第i個歷史評審項目的歷史標題信息；

步驟S3、獲取所述待評審標題信息與所述第i個歷史評審項目的歷史標題信息之間的最長連續公共子串，并將所述待評審標題信息與所述第i個歷史評審項目的歷史標題信息分別去除所述最長連續公共子串后得到第一字符串和第二字符串；

步驟S4、計算所述第一字符串和第二字符串之間的編輯距離；

步驟S5、根據所述編輯距離計算所述待評審標題信息與所述第i個歷史評審項目的歷史標題信息的相似度。

2.根據權利要求1所述的短文本相似度分析方法，其特征在于，所述步驟S3，包括：

步驟S31、設所述待評審標題信息為字符串s₁，所述第i個歷史評審項目的歷史標題信息為字符串s_i；

步驟S32、求出字符串s₁和s_i的最長連續公共子串s_z；

步驟S33、如果最長連續公共子串s_z的長度大于2，則分別將字符串s₁和s_i中的s_z去除后得到新的2個字符串s₁₀和s_i0，并令s₁＝s₁₀，s_i＝s_i0后返回步驟S32；如果最長連續公共子串s_z的長度小于等于2，則輸出s₁₀作為第一字符串，s_i0作為第二字符串。

3.根據權利要求1所述的短文本相似度分析方法，其特征在于，所述根據所述編輯距離計算所述待評審標題信息與所述第i個歷史評審項目的歷史標題信息的相似度，包括：

其中，s₁₀表示第一字符串，s_i0表示第二字符串，sim(s₁₀,s_i0)表示所述編輯距離計算所述待評審標題信息與所述第i個歷史評審項目的歷史標題信息的相似度，ED表示第一字符串和第二字符串之間的編輯距離，len(s₁₀)表示第一字符串的長度，len(s_i0)表示第二字符串的長度。

4.根據權利要求1所述的短文本相似度分析方法，其特征在于，所述待評審標題信息包括待評審項目的項目主標題、研究內容中的副標題；所述第i個歷史評審項目的歷史標題信息包括第i個歷史評審項目的項目主標題、研究內容中的副標題；

所述步驟S3具體為：獲取所述待評審標題信息中的每一個標題信息與所述第i個歷史評審項目的歷史標題信息中的每一個標題信息之間的最長連續公共子串，并分別去除所述最長連續公共子串后得到第一字符串s_jk1和第二字符串s_jk2；其中s_jk1表示所述待評審標題信息中的第j個標題信息去除其與歷史標題信息中的第k個標題信息經去除最大連續公共子串后得到的第一字符串，s_jk2表示歷史標題信息中的第k個標題信息經去除其與所述待評審標題信息中的第j個標題信息的最大連續公共子串后得到的第二字符串；

所述步驟S4具體為：計算所有的第一字符串s_jk1及與其對應的第二字符串s_jk2之間的編輯距離，得到編輯距離集合；其中所述待評審標題信息中的每一個標題信息存在對應的k個編輯距離；

所述步驟S5具體為：根據所述編輯距離集合計算所有的第一字符串s_jk1及與其對應的第二字符串s_jk2之間的相似度，并根據所有的相似度計算結果計算所述待評審標題信息與所述第i個歷史評審項目的歷史標題信息的相似度；其中所述待評審標題信息中的每一個標題信息存在對應的k個相似度計算結果。