[发明专利]文档主题挖掘方法及装置

说明书

本申请提出一种文档主题挖掘方法和装置，其中，该方法包括：根据预设的主题挖掘数目，采用基于概率潜语义分析模型对所接收的至少一个文档中的信息进行循环迭代处理，获取每个文档中每个句子隐含的每个主题的后验估计；根据所述每个主题的后验估计获取句子中每个词在所述每个主题中的隶属权重；生成与所述主题挖掘数目对应的主题集合，其中，每个主题集合包括：根据所述句子中每个词在所述每个主题中的隶属权重，筛选出的与所述每个主题相关的词。实现了基于PLSA算法更加全面精确的挖掘文档主题，提高了文档主题内容的相关性，从而使搜索引擎的结果更接近文档的语义信息。

技术领域

本申请涉及信息处理技术领域，尤其涉及一种文档主题挖掘方法及装置。

背景技术

目前，人们在互联网上获取信息的途径主要为通过搜索引擎进行检索，传统的文档检索结果很大程度上依赖于文档字面上的匹配，并不能很好地处理文档隐含的语义信息。

因此，现有技术采用主题模型来对文档进行语义挖掘，常用的主题模型算法为PLSA(Probabilistic Latent Semantic Analysis，概率潜在语义分析)算法。基于主题模型算法能使搜索引擎自动地获得文档背后的主题分布，使搜索引擎的结果更接近文档的语义信息，从而降低用户获取信息的成本。由此可见，文档主题的挖掘方法是搜索引擎领域的重要研究。

然而，上述所采用的PLSA对文档的语义挖掘的过程，仅仅考虑出现在上下文中词的相关性，使用词汇上的多项分布来表示隐含主题，因此，目前的PLSA算法对文档主题的挖掘过程不够全面精确，文档主题内容的相关性较差。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种文档主题挖掘方法，该方法实现了基于PLSA算法更加全面精确的挖掘文档主题，提高了文档主题内容的相关性，从而使搜索引擎的结果更接近文档的语义信息。

本申请的第二个目的在于提出一种文档主题挖掘装置。

为达上述目的，本申请第一方面实施例提出了一种文档主题挖掘方法，包括：根据预设的主题挖掘数目，采用基于概率潜语义分析模型对所接收的至少一个文档中的信息进行循环迭代处理，获取每个文档中每个句子隐含的每个主题的后验估计；根据所述每个主题的后验估计获取句子中每个词在所述每个主题中的隶属权重；生成与所述主题挖掘数目对应的主题集合，其中，每个主题集合包括：根据所述句子中每个词在所述每个主题中的隶属权重，筛选出的与所述每个主题相关的词。

本申请实施例的文档主题挖掘方法，首先根据预设的主题挖掘数目，采用基于概率潜语义分析模型对所接收的至少一个文档中的信息进行循环迭代处理，获取每个文档中每个句子隐含的每个主题的后验估计，然后根据所述每个主题的后验估计获取句子中每个词在所述每个主题中的隶属权重，最后生成与所述主题挖掘数目对应的主题集合，其中，每个主题集合包括：根据所述句子中每个词在所述每个主题中的隶属权重，筛选出的与所述每个主题相关的词。由此，实现了基于PLSA算法更加全面精确的挖掘文档主题，提高了文档主题内容的相关性，从而使搜索引擎的结果更接近文档的语义信息。

为达上述目的，本申请第二方面实施例提出了一种文档主题挖掘装置，包括：处理模块，用于根据预设的主题挖掘数目，采用基于概率潜语义分析模型对所接收的至少一个文档中的信息进行循环迭代处理，获取每个文档中每个句子隐含的每个主题的后验估计；第一获取模块，用于根据所述每个主题的后验估计获取句子中每个词在所述每个主题中的隶属权重；第一生成模块，用于生成与所述主题挖掘数目对应的主题集合，其中，每个主题集合包括：根据所述句子中每个词在所述每个主题中的隶属权重，筛选出的与所述每个主题相关的词。