[發明專利]一種基于余弦相似度的模板庫生成方法、系統及存儲介質

在審

• 申請號: 202110024794.5
• 申請日: 2021-01-08
• 公開（公告）號: CN112765950A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 張凱;周建設;劉杰;張雅寧;王春輝
• 申請（專利權）人: 首都師范大學
• 主分類號: G06F40/186
• 分類號: G06F40/186;G06F40/284;G06F40/30;G06K9/62
• 代理公司: 北京清控智云知識產權代理事務所(特殊普通合伙) 11919
• 代理人: 管士濤

1.一種基于余弦相似度的體育新聞模板庫生成方法，其特征在于：所述方法包括：

S1、對若干體育新聞進行處理，提取出寫作模板句；

S2、利用余弦相似度對所述模板進行歸并，去除重復模板；

S3、給每個模板構建其觸發條件，從而完成模板庫的構建。

2.根據權利要求1所述的方法，其特征在于：步驟S1中，對若干體育新聞進行處理，提取出寫作模板句，包括：對體育新聞進行句子劃分，去除其中的事件實體和比賽實時描述，從而得到所述寫作模板句；其中，所述的事件實體包括球員名、球隊名、比分、比賽時間。

3.根據權利要求1所述的方法，其特征在于：步驟S2中，利用余弦相似度對所述模板進行歸并，去除重復模板，包括：

S21，對每個所述寫作模板句進行分詞處理以得到若干詞語；

S22，列出任意兩個所述寫作模板句中所有的詞語；

S23，計算各詞語在所述兩個寫作模板句中的詞頻；

S24，基于所述詞頻構建每個寫作模板句的詞頻向量；

S25，采用余弦相似度計算兩個所述寫作模板句的相似度，將相似度大于第二閾值的兩個所述寫作模板句進行歸并，從而實現去除重復模板；

S26，對于其他所述寫作模板句，重復執行步驟S22-S25，直至完成所有所述寫作模板句的相似度計算。

4.根據權利要求3所述的方法，其特征在于：所述余弦相似度計算公式為：

其中，x_i、y_i為所述詞頻向量中各詞語在兩個所述寫作模板句中的詞頻即子向量；cos(θ)的值越大，則越相似。

5.根據權利要求3所述的方法，其特征在于：所述步驟S2還包括對語義相似模板進行規一化處理步驟：

S220，對于所述分詞處理后的若干詞語，采用Word2Vec工具將詞語映射到K維向量空間；

S221，計算任意兩個所述詞語的向量空間相似度；

S222，如果所述相似度閾值第一閾值，則在步驟S23中將兩個所述詞語的詞頻相加，并歸屬于其中任意一個詞語，并執行步驟S24。

6.根據權利要求1所述的方法，其特征在于：步驟S3中，包括基于CRF進行觸發詞識別的步驟：

選取詞、詞性、角色為特征；采用B、I、E、O作為觸發詞的標注符號，其中B表示觸發詞的首字，I表示中間詞，E表示基觸發詞的尾字，O表示非觸發詞，并分別采用單一特征模板和復合特征模板對觸發詞進行識別。

7.根據權利要求6所述的方法，其特征在于：所述觸發條件表示在某個時間段內描述事實的條件，記作CS，所述觸發詞表示描述CS所使用的詞語。

8.一種體育新聞寫作模板庫構建系統，其特征在于：所述系統包括提取模塊、去重模塊、構建模塊；

所述提取模塊，用于對若干體育新聞進行處理，提取出寫作模板句；

所述去重模塊，用于利用余弦相似度對所述模板進行歸并，去除重復模板；

所述構建模塊，用于給每個模板構建其觸發條件，從而完成模板庫的構建。

9.一種體育新聞寫作模板庫構建設備，其特征在于，所述設備包括：

存儲有可執行程序代碼的存儲器；

與所述存儲器耦合的處理器；

所述處理器調用所述存儲器中存儲的所述可執行程序代碼，執行如權利要求1-7任一項所述的基于余弦相似度的體育新聞模板庫生成方法。

10.一種存儲介質，其特征在于，所述存儲介質存儲有計算機指令，所述計算機指令被調用時，用于執行如權利要求1-7任一項所述的基于余弦相似度的體育新聞模板庫生成方法。