[发明专利]一种基于多级共现关系词图的可视化文本信息发现方法及系统

权利要求书

1.一种基于多级共现关系词图的可视化文本信息发现方法，其步骤包括：

抽取文档的文本内容，对文本内容进行切分，得到文本片段；

对文本片段进行切分，提取关键词，并标记词类别标签；

根据关键词在文本片段中的共现关系构建多级共现关系词图，图中的节点对应关键词，图中的边对应关键词共现；

对图中的每个关键词构建词-文档倒排索引，用以检索包含关键词的文档；

通过共现关系词图获取可视化文本信息。

2.根据权利要求1所述的方法，其特征在于，在抽取文档的文本内容之前，先将文档进行格式解析。

3.根据权利要求1所述的方法，其特征在于，对文本内容和文本片段使用符号或固定窗口进行切分，该符号包括标点符号，该固定窗口为从文本开头向结尾移动。

4.根据权利要求1所述的方法，其特征在于，词类别标签包括词性标签、实体词标签、文档核心词标签、语义角色标签、自定义类型标签。

5.根据权利要求4所述的方法，其特征在于，实体词标签包括复合实体词。

6.根据权利要求4所述的方法，其特征在于，对于文档核心词标签，找到文档核心词的方法包括使用TF-IDF或者TextRank计算词权重，基于词权重对关键词进行排序，取排名最高的Topk个关键词作为文档核心词。

7.根据权利要求1所述的方法，其特征在于，关键词的共现关系包括同一文本片段中共现、在相邻N个文本片段中共现、在整个文档中共现。

8.根据权利要求7所述的方法，其特征在于，对于一对关键词，其只能存在于共现关系最近的单个共现关系词图中，共现关系按照由近及远的顺序为同一文本片段中共现、在相邻N个文本片段中共现、在整个文档中共现。

9.根据权利要求1所述的方法，其特征在于，通过共现关系词图获取可视化文本信息的方法，包括：全局图与局部图的在线浏览、局部图的选择浏览及扩展浏览、共现关系的切换展示及并列展示、词图浏览历史记录、词节点标记以及文档标记。

10.一种基于多级共现关系词图的可视化文本信息发现系统，包括：

文档预处理模块，用于对文档进行格式解析，抽取文本内容并进行切分，得到文本片段的有序列表；

关键词提取模块，用于为每个文本片段进行编号，并对文本片段进行进一步的切分，获得<词，词类别>集合；

多级词图构建模块，用于根据关键词在文本片段中的共现关系，构建多级共现关系词图；

词-文档索引构建模块，用于构建词-文档倒排索引，检索包含关键词的文档；

可视化信息发现模块，用于实现基于共现关系词图的文档浏览、标记、状态保存功能。