[发明专利]一种衡量公文相似性的方法

权利要求书

1.一种衡量公文相似性的方法，其特征在于：包括以下步骤：

①构建本体知识库：构建政府机关单位和党政公文主题的本体知识库；

②党政公文文本预处理：抽取需要对比相似性的两篇公文中的四类信息：机关单位信息、主题信息、体裁信息、发文日期信息；

③计算四类信息的相似性：分别计算两篇公文的机关单位相似性、主题相似性、体裁相似性、发文日期相似性；

④计算公文剩余内容的相似性：将除了机关单位、公文主题、体裁、发文日期之外的文本信息，通过doc2vec计算相似性；

⑤公文相似性：将③和④中的相似性进行加权求和，获取两篇公文的相似性；

所述步骤③中，基于本体知识库，计算机关单位相似性S_dep(e_x,e_y)的计算公式为：

S_dep(e_x,e_y)＝1-d(e_x,e_y)；

其中，e_x，e_y是机关单位，d(e_x,e_y)是e_x，e_y在本体知识库中的距离；

所述d(e_x,e_y)的计算公式为：

其中，d(root,x)代表节点x到本体知识库根节点的距离，d(root,y)代表节点y到本体知识库根节点的距离，d(lca(x,y),x)代表节点x到x与y的共同最近节点间的距离，d(lca(x,y),y)代表节点y到x与y的共同最近节点间的距离；

当一篇公文中含有多个机关单位时，两篇公文中机关单位信息相似性S_dep(i,j)的计算公式为：

其中，e_i,m是公文i中的第m个机关单位，∈_j,m是公文j中离公文i中第m个机关单位最近的机关单位，M是在公文i中出现的部门实体总数，N是在公文j中出现的部门实体总数，d(e_i,m,∈_j,m)是机关单位e_i,m与∈_j,m在本体知识库中的距离，d(e_j,m,∈_i,m)是e_j,m与∈_i,m在本体知识库中的距离。

2.如权利要求1所述的衡量公文相似性的方法，其特征在于：所述步骤②分为以下步骤：

(2.1)获取机关单位信息：通过正则匹配，抽取公文中的发文机关、收文机关；

(2.2)获取公文主题信息：从政府文件中抽取标题和前两段，匹配并丢弃机关单位信息，再进行基本的文本预处理；

(2.3)获取体裁信息：根据体裁的具体作用，将体裁分为细分体裁，通过正则匹配，确定公文体裁信息；

(2.4)获取发文日期信息：通过正则匹配公文中的时间。

3.如权利要求2所述的衡量公文相似性的方法，其特征在于：所述步骤(2.2)中，文本预处理分为以下步骤：

(2.2.1)对剩余文本进行分词和消除停用词，仅包含在所有文档语料库中仅出现一次的数字和单词的单词；

(2.2.2)从剩余的词中匹配主题本体库中的关键字，确定政府文档的主题标签。

4.如权利要求2所述的衡量公文相似性的方法，其特征在于：所述步骤(2.3)中，体裁根据《党政机关公文格式》分为15种，每种体裁根据具体作用再细分一级，成细分体裁。