[发明专利]一种关键词提取方法及装置

说明书

本发明实施例提供一种关键词提取方法及装置，其中方法包括如下步骤：从待提取文档中提取多个候选词素，基于词素重要度模型计算每个候选词素的重要度；按照预设规则对所述多个候选词素进行排列组合，生成多个候选短串，基于短串完整度模型计算每个候选短串的完整度；按照重要度的排列顺序从所述多个候选词素中选择第一数量的候选词素；按照完整度的排列顺序从所述多个候选短串选择第二数量的候选短串；将所述第一数量的候选词素和所述第二数量的候选短串确定为所述待提取文档的关键词。采用本发明，提取到待提取文档中重要度较高的词素和完整度较高的短串，提高了提取关键词的准确性。

技术领域

本发明涉及数据挖掘领域，尤其涉及一种关键词提取方法及装置。

背景技术

伴随着计算机技术、通信技术、互联网技术的发展，数据积累的越来越多。面对激增的数据，人们希望能够挖掘出有价值的信息，从而可以更好地利用这些数据为人们服务，其中，关键词的提取成为一个热点问题，能够通过关键词提示或概括文档内容，这样便于一些应用从用户之前阅读的文章中提取关键词，并根据提取的关键词向用户推荐符合用户兴趣爱好的文章，或者广告商可以根据某一网页的关键词投放适合的广告，等等。

目前已存在许多关键词提取方法，这些方法的重点是为了获取到出现频率较高的词语，从文档中统计出各个词语的出现频率，将出现频率较高的词语作为该文档的关键词。然而，词语在文档中出现频率的高低并无法决定该词语在文档的重要性，因此，通过这种方法提取的关键词有可能无法准确提示该文档，降低了提取关键词的准确性。

发明内容

本发明实施例提供一种关键词提取方法及装置，能够提取到待提取文档中重要度较高的词素和完整度较高的短串，提高了提取关键词的准确性。

本发明实施例第一方面提供了一种关键词提取方法，包括：

从待提取文档中提取多个候选词素，基于词素重要度模型计算每个候选词素的重要度；

按照预设规则对所述多个候选词素进行排列组合，生成多个候选短串，基于短串完整度模型计算每个候选短串的完整度；

按照重要度的排列顺序从所述多个候选词素中选择第一数量的候选词素；

按照完整度的排列顺序从所述多个候选短串选择第二数量的候选短串；

将所述第一数量的候选词素和所述第二数量的候选短串确定为所述待提取文档的关键词。

本发明实施例第二方面提供了一种关键词提取装置，包括：

词素提取模块，用于从待提取文档中提取多个候选词素；

第一计算模块，用于基于词素重要度模型计算每个候选词素的重要度；

短串生成模块，用于按照预设规则对所述多个候选词素进行排列组合，生成多个候选短串；

第二计算模块，用于基于短串完整度模型计算每个候选短串的完整度；

词素选择模块，用于按照重要度的排列顺序从所述多个候选词素中选择第一数量的候选词素；

短串选择模块，用于按照完整度的排列顺序从所述多个候选短串选择第二数量的候选短串；

关键词确定模块，用于将所述第一数量的候选词素和所述第二数量的候选短串确定为所述待提取文档的关键词。