[发明专利]文本特征词语的提取方法及装置、存储介质及程序产品

权利要求书

1.一种文本特征词语的提取方法，其特征在于，基于文本组成的样本库进行，所述样本库包括不同类别的子样本库，所述方法包括：

对各所述子样本库中的文本进行关键词的提取，以关键词作为目标词语，以获得各所述子样本库的子目标词语库；

将各所述子目标词语库中的目标词语按照词频分别进行排序；

根据所述排序结果，从各所述子目标词语库中确定特征词语，以获得特征词库；

所述根据所述排序结果，从各所述子目标词语库确定特征词语，以获得特征词库，包括：

按照所述排序结果中词频由高至低的顺序，从各所述子目标词语库中选择预设数量的目标词语作为特征词语，以获得特征词库，所述特征词库作为机器学习时的数据集；

其中，所述特征词语的预设数量的确定方法包括：根据预设的各类别的子目标词语库对应特征词语数量的比例关系与特征词语数量的规模系数之间的乘积，确定出从各所述子目标词语库中所选择的特征词语的数量，所述规模系数根据所述机器学习时所采用的算法的准确性确定。

2.根据权利要求1所述的方法，其特征在于，在获得子目标词语库之后，将各所述子目标词语库中的目标词语按照词频分别进行排序之前，还包括：

对各所述子目标词语库进行停用词的剔除。

3.根据权利要求1或2所述的方法，其特征在于，在获得子目标词语库之后，将各所述子目标词语库中的目标词语按照词频分别进行排序之前，还包括：

将各所述子目标词语库中的同义词进行合并，而后，将所有所述子目标词语库之间共有的同义词进行删除。

4.根据权利要求1所述的方法，其特征在于，在所述对各所述子样本库中的文本进行关键词的提取步骤中，所述关键词的数量的确定方法包括：

当文本的文本长度小于第一阈值，将关键词的数量设定为第一数量值；

当文本的文本长度大于第二阈值时，将关键词的数量设定为第二数量值，所述第二阈值大于所述第一阈值；

当文本的文本长度在所述第一阈值和所述第二阈值之间时，关键词的数量与所述文本长度成正比。

5.一种文本特征词语的提取装置，其特征在于，所述装置包括：

子目标词语库获取单元，用于对样本库中不同类别的各子样本库中的文本进行关键词的提取，以关键词作为目标词语，以获得各所述子样本库的子目标词语库；

排序单元，用于将各所述子目标词语库中的目标词语按照词频分别进行排序；

特征词库获取单元，用于按照所述排序结果中词频由高至低的顺序，从各所述子目标词语库中选择预设数量的目标词语作为特征词语，以获得特征词库，所述特征词库作为机器学习时的数据集；

其中，所述特征词语的预设数量的确定过程包括：根据预设的各类别的子目标词语库对应特征词语数量的比例关系与特征词语数量的规模系数之间的乘积，确定出从各所述子目标词语库中所选择的特征词语的数量，所述规模系数根据所述机器学习时所采用的算法的准确性确定。

6.根据权利要求5所述的装置，其特征在于，还包括：

同义词处理单元，用于将各所述子目标词语库中的同义词进行合并，而后，将所有所述子目标词语库之间共有的同义词进行删除。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-4任一项所述的文本特征词语的提取方法。

8.一种计算机产品，其特征在于，所述计算机产品为计算机程序，所述计算机程序在终端设备上运行时，使得所述终端设备执行权利要求1-4任一项所述的文本特征词语的提取方法。