[发明专利]一种科技论文文本建模方法

权利要求书

1.一种科技论文文本建模方法，其特征在于：包括以下步骤：

阶段一、预处理：

Step1.导入科技论文集，经过格式转换、结构识别和数据清洗构成未分词数据库；

Step2.抽取关键词集，结合结巴分词系统进行文本分词，然后去停用词，利用词性过滤以后，完成科技论文数据库的构建；

Step3.通过word2vec计算特征词的词向量，利用k-means聚类算法进行词聚类，然后基于word2vec的特征构造方法构造主题特征；

阶段二、优化位置参数

Step4.初始化6个位置影响参数的最优数值，其中标题、关键字、段落标题、摘要、前言、结语的参数取值范围为[0,1]，设置和声搜索算法的记忆思考概率HMCR，音调调整概率PAR、步长bw、迭代次数；

Step5.从解空间中随机产生HMS个和声和对应的优化目标函数值放入HM；

Step6.HS通过记忆思考、音调调整、随机选取的机理在每次迭代中产生一个新解；

Step7.判断新解是否优于HM内的最差解，若是，则将新的解替换最差解，得到新的HM；

Step8.重复Step6到Step8，直到达到最大的迭代次数或满足停止准则后结束循环，输出最优解；

Step9.利用k-means算法对产生的最优解进行聚类，利用CH指标和轮廓系数对聚类效果进行评判；

Step10.完成一次聚类分析，等待下一个科技论文集的到达，转步骤Step1；

所述Step6通过记忆思考、音调调整、随机选取产生新解的具体机理如下：

①记忆思考：以HMCR概率随机对HM的某些解分量进行保留，即新产生的是以HMCR的概率从记忆库中第i个解分量的集合X_i＝{x_1i，x_2i，...，x_HMSi，}中随机选择；

②音调调整：对记忆思考中得到的解分量按概率PAR进行扰动，得到音调调整后产生的新解分量；扰动原则为：

其中，等式右边的是扰动前新解的第i个解分量；bw为带宽；rand()为-1到1的随机数，表示与邻近的值；

③随机选取：新产生的是以1-HMCR的概率从可行解空间中随机选择的；

所述Step1的具体过程为：收集科技论文数据，得到由PDF文件格式的科技论文所组成的科技论文文本集；然后，使用PDF2Text工具进行文本集格式转换，同时根据科技论文不同结构中文本字号大小信息，自动识别出科技论文的各个结构，并进行数据清洗以去除无法识别结构的论文，构成未分词数据库。