[发明专利]一种快速比对文本内容的方法与系统

权利要求书

1.一种快速比对文本内容的系统，其特征在于，由文档注册和文档比对两部分构成，其 中，文档注册部分用于从待注册文档的文本中自动学习关键词和构造注册文档库，文档比 对部分用于从注册文档库搜索、输出与待比对文档在文本语义与文字结构均相似的已注册 文档，并输出每篇文档与待比对文档最相似句子间的连续关键词匹配关系。

2.一种迭代的关键词自动学习方法，其特征在于，从待注册文档的文本中自动学习关 键词，分为四个步骤：（1）将待注册文档中的文字进行断句处理，分解为句子的集合，建立侯 选新关键字集合，并初始化为空；（2）对于每个句子，依据当前关键词库和标记为通过统计 检验的候选新关键词，识别句子包含的关键词，称之为旧关键词；（3）对于每个句子，提取两 个连续的非停用词单字、一个非停用词单字及随后的旧关键词或一个旧关键词及随后的非 停用词单字组成候选新关键词，添加到侯选新关键字集合，计数每个候选新关键词在本次 迭代中出现的次数，运用统计方法确定其中的候选新关键词并作通过统计检验标记；（4）重 复本权利要求所述步骤（2）和（3）直到步骤（3）没有标记任何通过统计检验的候选新关键词 或达到指定的迭代次数，迭代结束后，将标记为通过统计检验且计数大于零的候选新关键 词添加到关键词库。

3.一种快速比对文本内容的方法，其特征在于，在注册文档库中搜索与待比对文档在 文本语义与文字结构均相似的m篇已注册文档，分为三个步骤：（1）识别待比对文档中出现 在权利要求2所述自动学习关键词库中的关键词，用文本语义表达和文字结构表达两种方 式表示待比对文档；（2）使用待比对文档的文本语义表达方式，与注册文档库中的文档一一 进行文本语义相似性比对，获取相似度最高的n篇注册文档；（3）使用待比对文档的文字结 构表达方式，与文本语义相似度最高的n篇文档一一进行文字结构相似性比对，输出文字结 构相似度最高的m篇（m≤n）文档及每篇文档与待比对文档的文字结构匹配关系。

4.一种基于二部图分割的文字结构相似度计算方法，其特征在于，以句子为单位，计算 待比对文档的每个句子与注册文档每个句子中连续匹配的关键词数目，将待比对文档的句 子视作第一部分图的节点，注册文档的句子为第二部分图的节点，每对句子间连续匹配的 关键词数目为二部图相应节点间的权重，使用二部图分割算法获得最大化权重和的节点匹 配方案，基于权重和计算两篇文档的文字结构相似度。