[发明专利]一种基于中文相似性计算的文章推荐方法

权利要求书

1.一种基于中文相似性计算的文章推荐方法，其特征在于，具体步骤包括：

步骤1：利用Python爬虫程序爬取文章的主要内容；

步骤2：根据爬取文章的主要内容获取词向量，并进行训练；

步骤3：将待推荐的文章转化为词向量矩阵；

步骤4：将用户关键字词组转换为矩阵，再读取步骤3得到的文章转化的词向量矩阵，并对词向量矩阵数据进行标准化处理，同时进行矩阵计算，根据相似系数进行排列。

2.根据权利要求1所述的一种基于中文相似性计算的文章推荐方法，其特征在于，所述步骤1中爬取文章的主要内容具体包括：文本内容、头图和文章摘要；所述文本内容，用于生成文章的词向量表示；所述头图，用户给用户推荐的文章的展现；所述文章摘要，采用TextRank算法抽取式的得到原文的三句话，用以概括文章的主要内容。

3.根据权利要求2所述的一种基于中文相似性计算的文章推荐方法，其特征在于，所述TextRank算法是基于PageRank，用于为文本生成关键字和摘要；整个万维网为一张有向图，节点是网页；网页A存在到网页B的链接，从网页A指向网页B的有向边；构造完图后，使用下面的公式：

S(V_i)是网页i的中重要性；d是阻尼系数，一般设置为0.85；In(V_i)是存在指向网页i的链接的网页集合；Out(V_j)是网页j中的链接存在的链接指向的网页的集合；|Out(V_j)|是集合中元素的个数；网页的重要性，取决于到该网页每个链接页面的重要性之和。

4.根据权利要求3所述的一种基于中文相似性计算的文章推荐方法，其特征在于，所述TextRank算法，将原文本拆分为句子，在每个句子中过滤掉停用词，并只保留指定词性的单词；得到句子的集合和单词的集合；每个单词作为PageRank中的一个节点；设定窗口大小为k，假设一个句子依次由下面的单词组成：[w₁,w₂,…,w_k]、[w₂,w₃,…,w_k+1]、[w₃,w₄,…,w_k+2]均为一个窗口；在任一窗口中的任两个单词对应的节点之间存在一个无向无权的边；基于上面构成图，计算出每个单词节点的重要性；最重要的若干单词作为关键词；使用TextRank提取关键短语参照；若原文本中存在若干个关键词相邻的情况，关键词构成一个关键短语；使用TextRank提取摘要将每个句子看成图中的一个节点，若两个句子之间有相似性，认为对应的两个节点之间有一个无向有权边，权值是相似度；通过PageRank算法计算得到的重要性最高的若干句子作为摘要；利用下式计算两个句子S_i和S_j的相似度：

|{ω_k|ω_k∈S_i&ω_k∈S_j}|是在两个句子中都出现的单词的数量；|S_i|是句子i的单词数；

由于是有权图，PageRank公式修改为：

计算关键字时，把一个单词视为一个句子，那么所有句子构成的边的权重都是0，分子分母的权值w约分，TextRank算法退化为PageRank；通过textrank4zh模块里面的TextRank算法抽取式的提取原文的三句话，来对该文章进行简要概括。