[发明专利]一种基于语义词典的词语消歧方法

权利要求书

1.一种基于语义词典的词语消歧方法，其特征在于该方法主要分为以下步骤：

一、获取文本集中句子列表L：

步骤11)由计算机读入已程序化的文本集合D；

步骤12)利用分词组件对文本集合D中的每个文本分词，得到标注后的文本集合，记为D1，

步骤13)读入文本集D1，

步骤14)对其中一个文本文件进行处理，读取的句子逐行放入句子列表L中；

二、分割文本集中的词和词性标注，用语义词典数据库查找每个单词的释义，同义词集合，扩展释义和扩展同义词集合：

步骤21)读入虚词表和句子列表中的第一个句子，将句子中的每个单词和虚词表作比较，剔除句子中的虚词；

步骤22)将由步骤1)得到的句子按句子中逗号、冒号、分号、句号等标点符号分割句子；

步骤23)读入由步骤22)分割后的第一个句子，读到斜杠，将斜杠前的单词和斜杠后的词性依次放在wordPos[i]，i＝0，1.....n，，i为偶数时数组存放的是单词；

步骤24)将数组中单词取出放入sentenceWords中，判定sentenceWords长度；

步骤241)如果长度不大于11，则转步骤25)；

步骤242)如果长度大于11，按长度11重新找分割点，分割完后，转步骤25)；

步骤25)读入语义词典和分割后句子的第一个单词，查找该词在语义词典中不同词性下的词义个数，确定单词的词性：

步骤251)如果文本中该单词的词性没有被标记或者标记有错，标记有错指的是语义词典中没有找到该单词的这种词性，在这些情况下，就以语义词典中该单词的词义数最多的词性作为它的词性；

步骤252)如果标记正确，单词就用它标记的词性；

步骤253)如果语义词典数据库中没有该单词，就不对其进行消歧；

步骤26)由步骤25)确定词性后，利用语义词典数据库查找该单词的同义词和的释义，即概念；

步骤25)用语义词典查找数据库与步骤26)确定的各个概念具有直接语义关系的概念的释义，即扩展释义和扩展释义的同义词集合；

步骤26)重复步骤25)到步骤27)，直至找完句子中每个单词；

三、利用回溯法实现基于上下文的语义消歧：

步骤31)读入由步骤22)分割后第一个句子的第一个单词，将该单词的不同词义依次放入堆栈中；选中栈顶元素并出栈，将该栈顶元素记为W₀₀，表示第0个单词的第0个词义，此时，score[0]＝0，作为第0个单词的相关度；

步骤32)将第二个单词的不同词义依次放入堆栈中；

步骤33)选中栈顶元素并出栈，将该栈顶元素记为W₁₀；

步骤34)计算W₀₀和W₁₀之间的相关度，如公式(1)：

relatedness(s1,s2)=WgGloss(s1)∩Syn(s2)+Syn(s1)∩Gloss(s2)2+]]>

Wrg(ΣjGloss(s1)∩Syn(r2j)2+ΣiSyn(r1i)∩Gloss(s2)2)+]]>公式(1)

WrΣiΣjGloss(r1i)∩Syn(r2j)+Syn(r1i)∩Gloss(r2j)2]]>

其中Gloss(s_i)是单词s_i的释义；Gloss(r_ij)是概念r_ij的释义，包含r_ij的同义词集合中的词、描述中的词和例句中的词；Syn(s_i)是单词s_i的同义词；Syn(r_ij)是概念r_ij的同义词集合；s₁，s₂是句子中两个不同的单词；i是单词s₁确定词性后的词义个数，j是单词S₂确定词性后的词义个数；W_g，W_rg，W_r分别是重合度Gloss(s₁)∩Syn(s₂)、Gloss(s₁)∩Syn(r_2j)、Gloss(r_1i)∩Syn(r_2j)的权重；

步骤35)计算W₁₀与W₀₀之间相关度，记为score[1]：

score[1]＝score[0]+scorecube[1][0][0][0]                    公式(2)

其中scorecube[1][0][0][0]是指句子中第1个单词的第0个词义与第0个单词的第0个词义的相关度；

步骤36)将第三个单词的不同词义依次放入堆栈中；

步骤37)选中栈顶元素并出栈，将其记为W₂₀；

步骤38)计算W₂₀与前两个单词的第0个词义W₁₀、W₀₀之间的相关度总和：

score[2]＝score[1]+scorecube[2][0][1][0]+scorecube[2][0][0][0]    公式(3)

步骤39)对句子中剩下的单词重复步骤36)到步骤38)，计算相关度总和时只考虑所求单词与其前两单词之间的相关度；这样就可以得到一个句子中所有单词的第0个词义与其前面两个单词的第0个词义之间的相关度总和，相当于状态空间树中第一条分支上的相关度总和；

步骤310)此时，栈顶元素为最后一个单词的第1个词义，选中并出栈；

步骤311)在步骤39)得到的相关度总和基础上，通过减掉最后一个单词的第0个词义与其前两个单词的第0个词义之间的相关度，然后加上其第1个词义与前两个单词的第0个词义之间的相关度，相当于状态空间树中第二条分支上的相关度总和；

步骤312)依次对栈顶元素作类似于步骤310)及步骤311)操作，就可以得到整个状态空间树所有分支的相关度总和；

步骤313)再考察句子的连贯度，即单词之间的最大相关度，句子的连贯度计算如公式(4)：

公式(4)

其中S为句子，w_i是句子S中的单词，w_j是紧接w_i前面的两个单词，即为w_i-1、w_i-2，假设句子中的单词w只跟其前面的2k个单词有语义相关性，那么称这2k个单词为w的上下文，表示为Context(w)；

步骤314)选择相关度总和最大的那条分支，该分支上单词的词义就是经过消歧的最佳词义，到此完成分割后的第一个句子的消歧；

步骤315)读入分割后的第二个句子，转到步骤23)，完成消歧，直至完成第一个句子的全部消歧；

步骤316)读入句子列表中第二个句子，转到步骤21)，完成所有句子的消歧。