[发明专利]一种全局优化文本关键词质量的算法

说明书

技术领域

本发明涉及语义网络技术领域，具体涉及一种全局优化文本关键词质量的算法。

背景技术

文本关键词指的是最能代表文本主旨的词汇集合，文本关键词不仅可以很好的概括文本主要内容和主旨，而且可以降低文本处理的复杂程度。目前常用的文本关键词提取方法，包括词频-反文档频率方法、信息增益等方法。词频-反文档频率方法的简单结构并不能有效地反映词汇或短语的重要程度和特征值的分布情况，所以TF-IDF的精度并不是很高。通过对现有关键词抽取方法研究发现，现有方法大都是通过统计对每个候选关键词按照重要程度进行打分并排序，然后选择排名较高的若干关键词作为最终的关键词，很少有工作研究关键词的整体质量。而若干个高质量关键词组成的集合，未必是高质量的。例如一篇关于“计算机”的文档，候选关键词计算机”，“电脑，可能都有较高的得分，然而同时将它们抽取为关键词是冗余的，这显然不是一个好的关键词组合。为满足上述需求，本发明提供了一种全局优化文本关键词质量的算法。

发明内容

针对于文本关键词的特征提取具有冗余性，结果准确性不够好的问题，本发明提供了一种全局优化文本关键词质量的算法。

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文本进行分词处理；

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)，每个关键字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；

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、为后续的文本相似度与文本聚类技术提供良好的理论基础。

4、此算法具有更大的利用价值。

5、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。

6、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。

7、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。

附图说明

图1一种全局优化文本关键词质量的算法结构流程图

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

为了解决于文本关键词的特征提取具有冗余性问题，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)。

得min()＝min(n₁，n₂，…，n_n)

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X(C_i)，再求解路径相邻词的共现信息量X(C_i，C_i+1)。既有下式：

X(C_i)＝|x(C_i)₁-x(C_i)₂|