[发明专利]基于情报数据的文本检索分类方法、系统及存储介质

权利要求书

1.一种基于情报数据的文本检索分类方法，其特征在于，包括以下步骤：

对OCR识别出来的文档进行采集，得到非结构化文档，并将所述文档存入数据库；

通过人工或机器自动生成关键词字典，并对所述关键词字典进行归类；

使用已分类的关键词字典对所述文档进行处理，基于关键词生成倒排索引，其中，在生成倒排索引时，增加每个所述关键词所在的位置信息；

根据所述关键词所在的分类对所述文档进行分类标注，并将得到的分类结果存入数据库；

对所述分类结果通过机器学习和/或人工标注方式生成新的词汇，并对新的词汇重新进行分类，将所述新的词汇存入所述关键词字典；

所述方法还包括：

在接收到用户基于待查询关键词的查询请求时，基于所述关键词字典计算所述待查询关键词的相关度，将所述待查询关键词的相关度乘以位置相关的权重，所述位置相关的权重基于所述待查询关键词所在的位置信息获得；

根据乘以位置相关的权重后的待查询关键词的相关度，并基于预设的打分公式对数据库中的文档进行全文检索排序，并将检索结果归类到所述待查询关键词所在的类别；

将检索结果呈现给用户；

所述打分公式为：

score(q，d)＝distance(q，d)×querNorm(q)×∑_tinq(tf(tind)×idf(t)²×t.getBost()×norm(t，d))；

其中，distance(q，d)为打分参数；

queryNorm(q)为计算每个查询条目的方差和；

t∫(tind)为Term t在文档d中出现的词频；

idf(t)为Term t在几篇文档中出现过；

t.getBost()为查询语句中每个词的权重；

norm(t,d)的含义为标准化因子。

2.根据权利要求1所述的基于情报数据的文本检索分类方法，其特征在于，所述distance(q,d)＝N(q,d)/Π(q_first-q_last)，其中，

N(q，d)：待查询关键字组合q在文档d中出现的次数；

∑(q_first-q_1ast)：待查询关键词在文档中任意一组的位置间距求和；

q_first：每组关键字中第一个词的位置；

q_last：每组关键字中最后一个词的位置。

3.根据权利要求1所述的基于情报数据的文本检索分类方法，其特征在于，位置相关的关键词特征提取公式为：

D(q)＝(N(q，d)/∑(q_first-q_1ast))+P(q，d)；

其中：

N(q，d)：待查询关键字组合q在文档d中出现的次数；

D(q)：为某个关键字组合的特征向量；

P(q,d)：待查询关键字q组合在文档d中出现的次数；

∑(q_first-q_last)：待查询关键字组在文档中任意一组的位置间距求和；

q_first：每组关键字中第一个词的位置；

q_last：每组关键字中最后一个词的位置；

P(q)：带查询关键字在字典中的位置。