[发明专利]一种基于多特征融合的主题词提取方法

权利要求书

1.一种基于多特征融合的主题词提取方法，其特征在于，包括以下步骤：

通过用户输入的网址自动采集其能访问到的所有页面内容，以获取网页的藏文文本；

根据藏文关键词表对获取的藏文文本进行匹配，将出现在藏文关键词表中的词汇选为候选主题词；

对所述候选主题词进行权重计算，根据权重对所述候选主题词进行排序，并从排序后的候选主题词中确定一个或多个主题词；

所述将出现在藏文关键词表中的词汇选为候选主题词步骤，包括：

将藏文文本中的高频词、关键词和文本标题中的词汇选为候选主题词；

如果高频词、关键词和文本标题的词汇个数之和不足n个，则去除重复词汇后全部保留为主题词；

如果高频词、关键词和文本标题的词汇个数大于n个，则去除重复词汇后根据公式对词汇的权重进行计算；

计算完权重后，根据权重对词汇进行排序，选取前n个词作为主题词；

所述权重计算公式为：weight(t)＝wp(t)*len(t)*wd(t)；其中，wp(t)代表词汇t的频率，len(t)代表词汇t的长度，wd(t)代表词汇t的加权，高频词加权为wd(t)＝α，关键词加权为wd(t)＝β，文本标题中词汇加权为wd(t)＝γ，且1≤αβγ。

2.如权利要求1所述主题词提取方法，其特征在于，所述去除重复词汇后全部保留为主题词步骤，包括：

如果所述高频词和所述关键词有重复则保留所述关键词；如果所述高频词和所述文本标题中的词汇有重复则保留所述文本标题中的词汇；如果所述关键词和所述文本标题中的词汇有重复则保留所述文本标题中的词汇。

3.如权利要求1所述的主题词提取方法，其特征在于，所述高频词是通过齐普夫(Zipf)定律得出，包括，把单词出现的频率按由大到小的顺序进行排列；记录相应的排列位置序号；所述序号和出现的所述频率的乘积近似为一个常数；单词出现的频率越高，其重要性越大。

4.如权利要求1所述的主题词提取方法，其特征在于，所述藏文关键词表通过以下方式获取：

选取几大领域的专业词汇构成汉语关键词表，将得到的汉语关键词表翻译成藏语，从而构建成藏文关键词表。

5.如权利要求1所述的主题词提取方法，其特征在于，所述高频词指在正文中的词汇，且词频大于等于2；所述关键词指出现在正文中词汇；所述文本标题中的词汇指标题中的词汇，并剔除没有出现在正文中的词汇。