[发明专利]一种基于复杂网络的博客关键词提取方法

权利要求书

1.一种基于复杂网络的博客关键词提取方法，其特征在于，如下步骤：

(1)通过爬虫获取博客文本；

(2)对爬虫获取的博客文本进行预处理，即得到已断句、分词和无停用词的格式规范的博客文本；

(3)对博客文本进行预处理后，将博客文本中单词之间的相邻关系对应于博客文本网络节点之间的连接关系，根据博客文本中单词之间的相邻关系进行网络模型构建；

(4)根据博客文本中单词之间的相邻关系进行网络模型构建后，运用节点拓扑性质制定节点重要性指标计算公式，节点的重要性是指节点的度和节点的介数；

(5)根据节点重要性指标计算公式提取对博客文本进行预处理后的博客文本中的关键词；

(6)输出提取的对博客文本进行预处理后的博客文本中的关键词。

2.根据权利要求1所述的一种基于复杂网络的博客关键词提取方法，其特征在于，所述步骤(2)中，对爬虫获取的博客文本进行预处理的具体步骤如下：

(21)文本规范化，即将其他格式的博客文本转化成标准的txt格式进行关键词的提取；

(22)断句、分词处理，即根据博客文本中标点符号以及单词与单词之间的空格进行单词与短语的分割；

(23)大小写变换，即将断句、分词处理后的博客文本中的大写字母全部改为小写字母；

(24)词态变换，即将大小写变换后的博客文本中存在英文单词的，将英文单词统一变换成该单词的原型模式；

(25)去停用词，即预先收集好停用词，实验中去除这些停用词，减少无关词的干扰，提高关键词提取的准确率。

3.根据权利要求1所述的一种基于复杂网络的博客文本关键词提取方法，其特征在于，所述步骤(3)中，根据博客文本中单词之间的相邻关系进行网络模型构建的具体步骤如下：

(31)对经过预处理后的博客文本的单词进行标号，标号对应于构建的博客文本中单词网络的节点编号，网络的节点编号是根据阿拉伯数字顺序增长进行标记，同一个单词有且仅有一个标号；

(32)根据博客文本中单词之间的位置关系构建单词网络，若两个单词是相邻的，那么这两个单词在网络中对应标号的节点之间则增加一条连边，否则这两个单词在网络中对应标号的节点之间则不增加连边；

(33)根据步骤(31)和步骤(32)遍历博客文本中的单词，得到网络模型。

4.根据权利要求1所述的一种基于复杂网络的博客关键词提取方法，其特征在于，所述步骤(4)中，运用节点拓扑性质制定节点重要性指标计算公式的具体步骤如下：

(41)计算构建的网络模型的每一个节点的度和节点的介数；

(42)通过计算的节点的度和节点的介数，对比PageRank算法，制定出节点重要性计算公式。