[发明专利]一种基于主题模型的相似文章推荐方法

权利要求书

1.一种基于主题模型的相似文章推荐方法，其特征在于：包括以下步骤：

S1.文章原始文本预处理，提取单纯的文章内容；

S2.获取文章的词语特征向量；

S3.利用所有文章的词语特征向量训练TFIDF模型，基于该TFIDF模型计算每篇文章的词语特征向量，形成TFIDF特征向量；

S4.利用所有文章的TFIDF特征向量训练LSI主题模型；

S5.使用LSI模型计算得到文章的潜在主题特征向量，由向量相似度计算得到相似文章。

2.根据权利要求1所述的一种基于主题模型的相似文章推荐方法，其特征在于：所述步骤S1通过解析技术预处理，从文章原始文本提取单纯的文章内容。

3.根据权利要求1所述的一种基于主题模型的相似文章推荐方法，其特征在于：所述步骤S1通过正文提取技术预处理，从文章原始文本提取单纯的文章内容。

4.根据权利要求1所述的一种基于主题模型的相似文章推荐方法，其特征在于：所述步骤S1通过正则表达式技术预处理，从文章原始文本提取单纯的文章内容。

5.根据权利要求1所述的一种基于主题模型的相似文章推荐方法，其特征在于：所述步骤S2通过对文章内容进行以下步骤获取文章的词语特征向量：

S21.分词；

S22.词性分析，筛选保留名词词性的词语；

S23.词袋抽取。

6.根据权利要求1所述的一种基于主题模型的相似文章推荐方法，其特征在于：所述步骤S3通过如下步骤计算得出TFIDF值：

S31.计算词语w在文章d出现的词频tf(w,d)，公式如下：

tf(w,d)=Count(w|d)Count(d),]]>

其中，Count(d)为文章d中的词语数，Count(w|d)为词语w出现在文章d中的次数；

S32.计算词语w的逆向文档频率idf(w,D)，公式如下：

idf(w,D)=logNnw,]]>

其中，D为整个文章集合，N为整个文章集合D中的文章数，n_w为整个文章集合D中出现过词语w的文章数；

S33.计算文章d中词语w的TFIDF值，公式如下：

TFIDF＝tf(w,d)×idf(w,D)。