[发明专利]一种中文专利文本相似度计算方法

权利要求书

1.一种中文专利文本相似度计算方法，其特征在于，包括计算句子相似度的步骤。

2.根据权利要求1所述的中文专利文本相似度计算方法，其特征在于，所述计算方法包括：

对文本进行分词；对分词结果计算TF-IDF值，抽取TF-IDF值较高的作为关键词，定位关键词所在的句子作为关键句，并将关键句中关键词最大的权值作为关键句的权值，得到每个文本的关键句集合；计算每个关键句的对文本的权重，依次选取待对比文本和对比文本的关键句。

3.根据权利要求1-2所述的中文专利文本相似度计算方法，其特征在于，将词语相似度转化为概念在本体中的相似度来计算；概念在本体中的相似度计算公式为：

其中w₁和w₂表示两个词语，dis(w₁，w₂)表示w₁和w₂在领域本体中的语义距离。

4.根据权利要求1-3所述的中文专利文本相似度计算方法，其特征在于，加入最小公共父节点位置和节点局部密度，概念在本体中的相似度计算公式为：

其中r表示树的根节点，com表示w₁和w₂的最小公共父节点，dis(r，com)表示最小公共父节点的深度，num(w₁)表示w₁节点的兄弟节点个数。

5.根据权利要求1-4所述的中文专利文本相似度计算方法，其特征在于，基于word2vec计算词语相似度，CBOW模型的输入层为当前词的前后n个词向量，通过中间的隐层对这2n个词向量进行累加得到W_x；输出层为一个Huffman树，是由语料库中的词作为叶子节点，各词的频次作为权值来构建的；通过随机梯度算法对W_x进行预测，使得p(w|context(w))值最大化，context(w)指w的前后的n个词；通过word2vec对语料进行训练，得到所有词的词向量；计算词语之间的相似度就转化为计算词语对应词向量的相似度，计算公式为：

其中w₁和w₂分别为两个词语经过训练后得到的词向量；x_1i和x_2i分别表示两个词语的词向量对应的在向量空间中第i维的值。

6.根据权利要求1-5所述的中文专利文本相似度计算方法，其特征在于，利用本体和word2vec分别计算出两种词语相似度sim_ow(w₁，w₂)和sim_rw(w₁，w₂)，结合得到词语相似度，公式为：

其中S表示本体中的概念集合，如果两个词语中有一个不属于本体概念集合，则将利用word2vec得到的相似度作为词语相似度，若两者均属于本体概念集合，则取本体词语相似度和word2vec词语相似度平均值作为最终的词语相似度。