[发明专利]一种用于中文隐喻信息识别的方法

权利要求书

1.一种用于中文隐喻信息识别的方法，其特征在于：所述方法包括如下步骤，

S1、对互联网上的文本信息组成的初始数据集进行分类提取关键词，并根据隐喻词的规律自动生成不同类别的隐喻词字典；

S2、对初始数据集中的第一个文本进行特征提取，并根据提取的特征进行初步识别；

S3、步骤S2识别失败后，将步骤S2中提取的特征作为卷积神经网络的输入特征，对初始数据集中的第一个文本进行隐喻信息识别，获取第一个文本的最终识别结果；

S4、重复步骤S2和S3，遍历所述初始数据集中所有的文本，获取所有文本的最终识别结果，并将其组成隐喻词集，使用隐喻词集对字典集中的字典进行更新、修正和去除冗余；

步骤S1具体包括如下内容，

S11、利用爬虫爬取新闻、微博、博客、水木社区以及视频网站弹幕中的文本信息作为初始数据集，所述初始数据集为S₀＝{s₁,s₂,…s_N}；

其中，s_i为所述初始数据集中的第i个文本，i＝1,2,…N；N为所述初始数据集中的文本总数；

S12、利用GBDT方法对文本进行分类，获取新闻类、BBS类、小说类和微博博客类；利用TF-IDF的特征结合命名实体识别和词性识别，从各个类中的文本里提取到不同内容类别方面相关的候选词；通过分析隐喻词的规律，根据汉语拼音缩写、英文缩写、语音替换、谐音替换、汉字的拆解和英文替换的方法由计算机根据候选词自动生成一批隐喻词，形成字典集，所述字典集为D₀＝[d₁,d₂,d₃,d₄]，

其中，d₁为新闻类字典，d₂为BBS类字典，d₃为小说类字典，d₄为微博博客类字典；

步骤S2具体包括如下内容，

S21、对初始数据集中的第一个文本进行分类，并记录其分类类型，作为第一特征值，所述第一特征值表示为f₁；

S22、对初始数据集中的第一个文本进行分词，记录每个词的词性信息，并计算每个词与字典集中词的语音相似度、字形相似度，对所述词性信息、语音相似度和字形相似度进行加权求和，判断求和结果与第一设定阈值的大小关系，若求和结果大于或等于第一设定阈值，则将该词判定为隐喻词；若求和结果小于第一设定阈值，则记录该词的词性信息为第二特征值、语音相似度为第三特征值、字形相似度为第四特征值，并执行步骤S23；所述第二特征值、第三特征值和第四特征值分别表示为f₂、f₃、f₄；

S23、对初始数据集中的第一个文本进行分割切词，并使用word2vec模型训练切词结果，获取目标词以及与该所述目标词在同一句子中的多个上下文单词，在语义词库中查找目标词的同义词、反义词、直接上位词和直接下位词，并将这些词以及他们的变形作为候选单词集；计算上下文单词与候选单词集中每个词的相似度，并将相似度最高的词作为最合适的候选目标词，计算目标词和候选目标词的余弦相似度，若计算结果小于第二设定阈值，则认为目标单词为隐喻词；若计算结果大于或等于第二设定阈值，则将上下文单词的向量作为第五特征值，并执行步骤S3；所述第五特征值表示为f₅。

2.根据权利要求1所述的用于中文隐喻信息识别的方法，其特征在于：步骤S23中，对初始数据集中的第一个文本进行分割切词具体为，依据符号“。”、“？”和“！”，按照句子对初始数据集中的第一个文本进行分割，并在分割完成后对每个句子进行切词。

3.根据权利要求2所述的用于中文隐喻信息识别的方法，其特征在于：步骤S23中，所述上下文单词至少为10个；若不足10个，则选取上下句中近邻的词作为上下文单词。

4.根据权利要求3所述的用于中文隐喻信息识别的方法，其特征在于：步骤S23中，在计算上下文单词与候选单词集中每个词的相似度时，上下文单词由上下文单词的词向量均值表示。