[发明专利]一种中文专利文本相似度计算方法在审
申请号: | 201810310198.1 | 申请日: | 2018-04-09 |
公开(公告)号: | CN108549634A | 公开(公告)日: | 2018-09-18 |
发明(设计)人: | 吕学强;董志安 | 申请(专利权)人: | 北京信息科技大学;吕学强 |
主分类号: | G06F17/27 | 分类号: | G06F17/27;G06K9/62 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 100192 北*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 文本 专利文本 相似度计算 相似度 向量空间模型 句子相似度 分词结果 领域本体 相似程度 语义关系 专利领域 专利审查 正确率 中文 分词 权重 句子 抽取 集合 应用 分析 | ||
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。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京信息科技大学;吕学强,未经北京信息科技大学;吕学强许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810310198.1/2.html,转载请声明来源钻瓜专利网。