[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

说明书

技术领域

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。

背景技术

文本相似度计算可以应用到文本分类、文本聚类、信息检索、问答系统、网页去重等很多领域。目前,在不同领域，很多相似度计算方法被提出并应用于实践。如向量空间模型、布尔模型、隐含语义标引模型等统计模型、字符串匹配模型、基于语义理解的模型等。可以发现，如今越来越多的专家学者研究文本相似度的计算，这是因为文本相似度的有效计算可以起到提高检索效率、避免文章票窃、节省存储空间等作用。在文本相似度计算领域仍然存在不少问题需要人们解决，尤其是对中文文本相似度的研究,目前还没发展到令人满意的程度。用计算机来实现自然语言理解，中文比英文更加难以处理。中文不像英文那样词与此之间有明显的分隔标记，它用多个连续的字词一起表达一个意思，根据上下文语境的不同，还容易引起歧义，怎样提高文本相似度计算的有效性和准确性，基于上述需求，本发明提供了一种基于全局优化关键词质量的文本相似度求解算法。

发明内容

针对于文本相似度计算的有效性和准确性的不足，本发明提供了一种基于全局优化关键词质量的文本相似度求解算法。

为了解决上述问题，本发明是通过以下技术方案实现的：

步骤1：利用中文分词技术对两文本(W₁，W₂)进行分词处理；

步骤2：根据停用表对文本词汇进行去停用词处理；

步骤3：去停用词操作后的文本关键词集合为C＝(C₁，C₂，…，C_n)，每个关键词C_i在文本中的贡献值看成一个多维向量，即

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J₁、J₂；

步骤5：计算两关键词集合J₁、J₂中权重最大的两词间的相似性；

步骤6：两关键词集合J₁、J₂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sim(W₁，W₂)。

本发明有益效果是：

1、此方法比传统的词频-反文档频率方法得到的特征词汇集合的准确度更高。

2、此方法克服了信息增益方法只适合用来提取一个类别的文本特征的缺点。

3、此算法具有更大的利用价值。

4、此方法精确地计算了特征词汇中不同词汇对文本思想的贡献度。

5、此方法相较之前的方法条件更加严苛，得到的结果准确度更高。

6、不但可以保证关键词个体质量，而且可以从全局上优化关键词的整体质量。

7、文本间的相似度结果更加准确，更符合经验值。

附图说明

图1基于全局优化关键词质量的文本相似度求解算法结构流程图

图2 n元语法分词算法图解

图3中文文本预处理过程流程图

具体实施方式

为了解决文本相似度计算的有效性和准确性不足的问题，结合图1对本发明进行了详细说明，其具体实施步骤如下：

步骤1：利用中文分词技术对两文本(W₁，W₂)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SM₁M₂M₃M₄M₅E，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n_i。即n条路径词的个数集合为(n₁，n₂，…，n_n)。