[发明专利]基于全局优化关键词质量的文本相似度求解算法

权利要求书

1.基于全局优化关键词质量的文本相似度求解算法，本发明涉及语义网络技术领域，具体涉及基于全局优化关键词质量的文本相似度求解算法，其特征是，包括如下步骤：

步骤1：利用中文分词技术对两文本进行分词处理，其具体分词技术过程如下：

步骤1.1：根据《分词词典》找到待分词句子中与词典中匹配的词，把待分词的汉字串完整的扫描一遍，在系统的词典里进行查找匹配，遇到字典里有的词就标识出来；如果词典中不存在相关匹配，就简单地分割出单字作为词；直到汉字串为空

步骤1.2：依据概率统计学，将待分词句子拆分为网状结构，即得n个可能组合的句子结构，把此结构每条顺序节点依次规定为，其结构图如图2所示

步骤1.3：基于信息论方法，给上述网状结构每条边赋予一定的权值，其具体计算过程如下：

根据《分词词典》匹配出的字典词与未匹配的单个词，第i条路径包含词的个数为，即n条路径词的个数集合为

得

在上述留下的剩下的(n-m)路径中，求解每条相邻路径的权重大小，

在统计语料库中，计算每个词的信息量，再求解路径相邻词的共现信息量，既有下式：

上式为文本语料库中词的信息量，为含词的文本信息量

上式为在文本语料库中的概率，n为含词的文本语料库的个数

上式为含词的文本数概率值，N为统计语料库中文本总数

同理

为在文本语料库中词的共现信息量，为相邻词共现的文本信息量

同理

上式为在文本语料库中词的共现概率，m为在文本库中词共现的文本数量

为文本库中相邻词共现的文本数概率

综上可得每条相邻路径的权值为

步骤1.4：找到权值最大的一条路径，即为待分词句子的分词结果，其具体计算过程如下：

有n条路径，每条路径长度不一样，假设路径长度集合为

假设经过取路径中词的数量最少操作，排除了m条路径，m<n，即剩下(n-m)路径，设其路径长度集合为

则每条路径权重为:

上式分别为第1,2到 路径边的权重值，根据步骤1.4可以一一计算得出，为剩下(n-m)路径中第条路径的长度

权值最大的一条路径:

步骤2：根据停用表对文本词汇进行去停用词处理，其具体描述如下：

停用词是指在文本中出现频率高，但对于文本标识却没有太大作用的单词，去停用词的过程就是将特征项与停用词表中的词进行比较，如果匹配就将该特

征项删除

综合分词和删除停用词技术,中文文本预处理过程流程图如图3

步骤3：去停用词操作后的文本关键词集合为，每个关键词在文本中的贡献值看成一个多维向量，即，其具体计算过程如下：

目标向量：

上述为关键词在文本库中的权重函数：

上式为关键词在文本中出现的次数，为文本的总长度，为文本库中文本的总个数，为关键词在库中第j文本的信息量，为关键词在库中的平均信息量

目标向量中的为关键词对应本体概念在本体网络结构中的最大深度；

目标向量中的为关键词对应本体概念在本体网络结构中的最大密度；

目标向量中的为关键词的词性权重，根据经验名词、动词、形容词、副词的权重值依次为、、和，且

目标向量中的为关键词在文本中第一次出现的位置权重，这个可以根据统计调查得出一系列的位置权重值，在主题中的权重最大，第一段次之

目标向量中的为关键词在文本第1次出现的段落中的次数

目标向量中的为关键词与最大权重词汇在文本中共现的概率

步骤4：利用约束条件，在多维空间进行关键词特征集合降维处理，最后提取到最优化的文本关键词集合、，其具体计算过程如下：

上述关键词汇映射到多维空间中，从大到小依次合并同时满足下式约束条件的关键词；

两点间的距离值d：

两点间的相似度：

、为专家设定的阈值，这个可以由实验测试得出合适的值

合并后的关键词和权重分别为在空间中最大的那个点向量对应的关键词汇，权重也为该关键词汇的权重

根据上述约束条件对合并后的关键词进行从大到小排序，利用下述约束条件提取高质量的关键词汇特征集合

上式为提取词汇的个数，k为设定好提取词汇个数的阈值，提取前k个高质量关键词，避免了冗余，最终得到权重从大到小排列的高质量关键词汇特征集合分别为

、

步骤5：计算两关键词集合、中权重最大的两词间的相似性；

步骤6：两关键词集合、中求解两两词汇间的相似度，设定一个词汇间相似度的阈值，根据满足条件的词汇个数，来计算两文本间的相似度。