[发明专利]一种基于主题类的跨语言生物医学类学术论文信息推荐方法

说明书

本发明涉及信息检索以及推荐系统技术领域，更具体地，涉及一种基于主题类的跨语言生物医学类学术论文信息推荐方法。本方法主要包括对文本数据进行数据预处理、应用PLAS模型进行文本聚类、计算每个主题分组的词向量信息、获得每一个主题最相关的跨语言主题编号、读取用户输入的检索词组、判断用户的检索词组、得到中文文章的推荐结果以及得到英文文献的推荐等步骤。本发明实现了将文本的分析从词频空间降维至空间主题空间；通过数据降维的方法能够有效地减少模型对翻译方法的依赖，有利于实现跨语言的文献特征分析；同时主题模型能够有效地挖掘文档中的语义信息，发现文档之间的潜在关联，能够有效地解决一词多义和一义多词的问题。

技术领域

本发明涉及信息检索以及推荐系统技术领域，更具体地，涉及一种基于主题类的跨语言生物医学类学术论文信息推荐方法。

背景技术

在文本推荐系统中，最为常用的方法是利用词频-逆向文档词频(TermFrequency-Invert Document Frequency,TF-IDF)方法将文档转化为词频维度的向量表示。然后通过词向量的距离来计算文档之间的相似程度，从而来进行基于内容的推荐。TF-IDF作为一种统计方法，仅仅考虑了单词在文档中出现的词频信息，而无法挖掘文档内部和文档之间的语义信息和统计信息。这些信息往往才是反映文档内容的最好特征。针对于不同语言下的文档处理，TF-IDF也无法很好地处理翻译词汇存在的一词多义和一义多词的现象。比如英文单词chair,在文档A中表示的意思是椅子，而在文档B中表达的意思却可能是主席。尽管单词在这两个文档中具有相差甚远的含义，但是TF-IDF却无法发现这一词多义的现象。又比如单词advantage和benefit都具有优点，好处的意思。但是TF-IDF模型同样也不会发现这些特性，它仅仅会对不同的单词分别统计词频。这些现象在文档信息处理时经常发生，将直接影响到推荐结果，使之偏离用户的真实需求。在处理跨语言的检索问题上，很多学者也尝试利用各种方法优化机器翻译的效果，但是仍然离不开对翻译词典或者双语对照语料的依赖，学术文献的专业性和特殊性使得翻译模型的建模难度增大，模型效果低下。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于主题类的跨语言生物医学类学术论文信息推荐方法。

为解决上述技术问题，本发明采用的技术方案是：

一种基于主题聚类的跨语言生物医学类学术论文信息推荐方法，包括以下步骤：

S1：首先对文本数据进行数据预处理。

S2：根据数据预处理得到的词频信息应用PLAS模型进行文本聚类并得到每个学术文献的主题分组。

S3：计算每个主题分组的词向量信息并得到每个主题分组的向量信息。

S4：利用翻译关系将每个主题分组的向量信息中的词组进行对应，通过加权计算的方法统一不同语言下的主题信息向量的维度，然后利用向量间的余弦距离计算主题之间的相似度，得到每一个主题最相关的跨语言主题编号。在步骤S4中，由于不同语言下的主题的信息向量的维度不一致，故通过加权计算的方法统一不同语言下的主题信息向量的维度。

S5：读取用户输入的检索词组，利用结巴分词进行分词，同样去除停用词。

S6：判断用户的检索词是否能够在系统的总词表中检索到，如果检索不到检索词，则输出无法得到推荐结果，推出系统，否则进入到下一步。

S7：通过字符串匹配，计算检索词在中文主题下文本中出现的TF-IDF值，根据TF-IDF值排序得到与检索词最相关的中文主题，根据中文主题对应的p(z|d)矩阵，对主题内的中文文章进行排序，得到中文文章的推荐结果。