[发明专利]一种赛事文字直播关键句抽取方法

权利要求书

1.一种赛事文字直播关键句抽取方法，其特征在于，包括：

步骤一：利用Word2Vec进行关键词扩展，得到得分相关词集和其他相关词集，将得分相关词集、其他相关词集再加上比分特征和时间特征共同构成关键句抽取特征；

步骤二：把关键句抽取转换为二分类问题，利用Adaboost算法进行分类。

2.根据权利要求1所述的赛事文字直播关键句抽取方法，其特征在于，步骤一包括：利用Word2Vec工具把背景语料中的词语用向量进行形式化表示，把对文本的处理简化为向量空间中的向量运算，通过计算向量空间上的相似度来表示文本语义上的相似度，实现相关词扩展。

3.根据权利要求1-2所述的赛事文字直播关键句抽取方法，其特征在于，步骤一还包括：在将词表示为相应的向量形式后，向训练后得到的词向量文件中输入关键词，通过计算余弦距离，输出在一定阈值内或者一定的顺序与该关键词在语义上相似的词语，从而得到关键词的相关词集。

4.根据权利要求1-3所述的赛事文字直播关键句抽取方法，其特征在于，余弦距离的计算如下式所示：

5.根据权利要求1-4所述的赛事文字直播关键句抽取方法，其特征在于，步骤一包括：

基于Skip-gram模型，并采用Hierarchical Softmax方法进行优化训练；利用当前词的词向量预测指定窗口上下文的词向量，假设给定训练特征数据w₁，w₂，w₃…w_T，则Skip-gram模型的目标函数为：

采用Hierarchical Softmax算法，该算法利用Huffman二叉树表示特征词，将输出层的T个单词作为叶子结点，将每个词的出现频次作为权重进行编码，对高频词分配较短路径，低频词分配较长路径，从而每个单词都可以从树的根结点沿着唯一的一条路径被访问到，p(u|w)函数定义如下：

采用梯度下降法来求解目标函数，生成单词的词向量表示形式。

6.根据权利要求1-5所述的赛事文字直播关键句抽取方法，其特征在于，得分相关词是与得分相关的词语；步骤一包括：通过手工收集一些得分关键词，然后利用Word2Vec对得分关键词进行相关词扩展形成得分相关词集，统计句子中是否包含得分相关词以及包含得分相关词的个数，来作为关键句的抽取特征。

7.根据权利要求1-6所述的赛事文字直播关键句抽取方法，其特征在于，步骤一包括：通过手工收集一些其他关键词，然后利用Word2Vec对这些基本的其他关键词进行相关词扩展形成其他相关词集，统计句子中是否包含其他相关词以及包含其他相关词的个数，并将其作为关键句的抽取特征。

8.根据权利要求1-7所述的赛事文字直播关键句抽取方法，其特征在于，步骤一包括：定义一个时间函数，通过函数判定句子是否在特定的时间范围内，并对此赋予不同的权重，来描述不同时间段的重要程度，其函数定义如下：

F(s)＝pf₁(s)+qf₂(s)+rf₃(s)；

把时间特征作为关键句抽取的一项特征。

9.根据权利要求1-8所述的赛事文字直播关键句抽取方法，其特征在于，比分特征包括比分较上一条的比分变化、球队累计得分、球员累计得分、球队累计不得分；如果这条文字直播与上条文字直播相比，得分有变化，取变化的数量作为特征，；如果一个球队持续累计得分越多，则越重要，以累计得分作为特征；如果一个球员累计得分越多，说明该球员的表现比较好；如果一个球队累计不得分，则把累计不得分的时间作为特征。

10.根据权利要求1-9所述的赛事文字直播关键句抽取方法，其特征在于，步骤二包括：把文字直播的关键句抽取转换为二分类问题，分为关键句和非关键句，对文字直播文本进行二分类，关键句标签为1，非关键句标签为-1；利用分类与回归树进行不断迭代得到一个强分类器，进行二分类，输出标签为1的属于关键句，输出标签为-1的为非关键句。