[发明专利]词语提取方法及装置

权利要求书

1.一种词语抽取方法，其特征在于，所述方法包括：

获取至少一个目标文档和与所述目标文档对应的文档信息，所述文档信息包括文档权重信息、文档地域权重信息和文档时间权重信息中的至少一种；

处理所述目标文档获得候选词语；

根据所述文档信息计算所述候选词语的词频TF和反向文档频率IDF；

根据所述词频TF和反向文档频率IDF的乘积对所述候选词语排序，并根据排序结果提取词语。

2.根据权利要求1所述的词语抽取方法，其特征在于，所述处理所述目标文档获得候选词语，具体包括：

对所述目标文档的正文进行分词，以获得至少一个词语；

对所述词语进行词性分析；

根据所述词语的词性识别所述词语的实体信息；

将词性为预定词性或者实体信息为预定实体信息的词语作为候选词语。

3.根据权利要求1所述的词语抽取方法，其特征在于，所述根据所述文档信息计算所述候选词语的词频TF和反向文档频率IDF，具体包括：

对于候选词语t_i，根据文档信息w_j计算词频TF_i，j为：

TFi,j=ni,jΣknk,j*wj]]>

其中，TF_i，j为所述候选词语t_i在目标文档d_j中的词频，n_i，j为所述候选词语t_i在目标文档d_j中的出现次数，∑_kn_k，j为所述目标文档d_j中所有词语的出现次数之和。

4.根据权利要求1所述的词语抽取方法，其特征在于，所述根据所述文档信息计算所述候选词语的词频TF和反向文档频率IDF，具体包括：

对于候选词语t_i，根据文档信息w_j计算反向文档频率IDF_i为：

IDFi=log|D||Σti∈dwj|]]>

其中，IDF_i是所述候选词语t_i的反向文档频率，|D|是总文档库中的文档数之和，是所述总文档库中包含所述候选词语t_i的文档的文档信息之和，所述总文档库包括参考文档库和包括所述至少一个目标文档的目标文档库；

当计算为0时，令等于固定常数，所述固定常数的取值范围为（0，0.01）。