[发明专利]一种中文专利文本相似度计算方法

说明书

本发明涉及一种中文专利文本相似度计算方法，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，基于关键句的句子相似度计算文本的相似度。本发明利用已有的专利领域本体，分析专利文本中的语义关系，利用向量空间模型和领域本体来进行专利文本相似度的计算，计算结果的正确率和召回率较高，能够更准确地描述专利之间的相似程度，能够加快专利审查的速度，可以很好地满足实际应用的需要。

技术领域

本发明属于文本信息处理技术领域，具体涉及一种中文专利文本相似度计 算方法。

背景技术

当今互联网时代，专利作为记录人类成果的载体，包含了大量的科技成果 和创新技术。科学技术的快速发展使得每年的专利申请量急剧增加。传统的检 索方式通过检索词进行匹配返回的结果，一般是以检索词出现的数量作为专利 的相关性，并没有考虑到专利本身所包含的语义信息。专利审查的本质是审查 专利相似度高的相关专利，这其中，最重要的一点就是计算专利文本相似度。 文本相似度，一般计算方法是利用向量空间模型对文本表示，之后直接在向量 空间中计算向量相似度作为文本相似度。近些年，本体，作为一种新的知识表 示和描述形式，被广泛应用到语义网、信息检索等各方面，越来越多的研究者开始重视使用本体来进行语义分析。

文本相似度方法主要可以分为两类：一种是利用向量空间模型将文本转化 成向量的形式，再进行计算，一种是利用语义词典法表示不同长短文本之间的 联系，通过关键词匹配数量来反映文本间的相似度。现有技术的计算中文专利 文本的相似度的方法存在语义信息丢失的问题，且现有技术对中文文本相似度 的计算不准确，计算结果的正确率和召回率较低，不能准确反映专利文本的相 似度，不能满足实际应用的需要。

发明内容

针对上述现有技术中存在的问题，本发明的目的在于提供一种可避免出现 上述技术缺陷的中文专利文本相似度计算方法。

为了实现上述发明目的，本发明提供的技术方案如下：

一种中文专利文本相似度计算方法，包括计算句子相似度的步骤。

进一步地，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。

进一步地，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。

进一步地，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。