[发明专利]一种基于动词的中文文本相似度计算方法

权利要求书

1.一种基于动词的中文文本相似度计算方法，其特征在于，包括以下步骤：

S1：获取需要进行相似度计算的第一文本和第二文本，并进行预处理；

S2：分别对预处理完成的第一文本和第二文本的提取动词序列；

S3：基于动词序列计算第一文本与第二文本的语法相似度f₁；

S4：基于预处理完成的第一文本和第二文本，计算两文本的语义相似度f₂；

S5：结合语法相似度和语义相似度计算第一文本和第二文本的文本间相似度f。

2.根据权利要求1所述的一种基于动词的中文文本相似度计算方法，其特征在于，所述的预处理具体包括：

对第一文本和第二文本进行分词，并去除停用词。

3.根据权利要求1所述的一种基于动词的中文文本相似度计算方法，其特征在于，所述的步骤S3具体包括：

S31：将第一文本和第二文本的动词序列分别作为第一文本特征字符串和第二文本特征字符串；

S32：获取第一文本特征字符串到第二文本特征字符串的公共子串个数，记为第一公共子串个数；

S33：获取第二文本特征字符串到第一文本特征字符串的公共子串个数，记为第二公共子串个数；

S34：选取第一公共子串个数和第二公共子串个数中最大公共子串个数，作为实际公共子串个数；

S35：利用实际公共子串个数，计算第一文本与第二文本的语法相似度f₁。

4.根据权利要求3所述的一种基于动词的中文文本相似度计算方法，其特征在于，所述的语法相似度f₁的计算公式为：

其中，c为实际公共子串个数，a为第一文本的动词序列中动词的个数，b为第二文本的动词序列中动词的个数。

5.根据权利要求4所述的一种基于动词的中文文本相似度计算方法，其特征在于，所述的步骤S4具体包括：

S41：基于语义向量空间模型，构建语义主题空间P中的特征项向量表；

S42：分别提取第一文本和第二文本中所有的特征项，得到第一文本特征项集合和第二文本特征项集合；

S43：分别统计第一文本特征项集合和第二文本特征项集合中各特征项的出现次数；

S44：利用特征项向量表，获取第一文本特征项集合和第二文本特征项集合中各特征项对应的特征项向量；

S45：根据特征项向量，计算第一文本对应的特征向量和第二文本对应的特征向量，并分别做标准化处理，得到第一文本特征向量和第二文本特征向量；

S46：根据第一文本特征向量和第二文本特征向量，计算第一文本和第二文本的语义相似度f₂。

6.根据权利要求5所述的一种基于动词的中文文本相似度计算方法，其特征在于，所述的第一文本对应的特征向量的计算式为：

其中，f_i,k为第一文本特征项集合中第k个特征项出现的次数，n为第一文本中所有特征项的个数，为第一文本特征项集合中第k个特征项在语义主题空间P中对应的特征项向量；

所述的第二文本对应的特征向量的计算式为：

其中，f_j,k为第二文本特征项集合中第k个特征项出现的次数，m为第二文本中所有特征项的个数，第二文本特征项集合中第k个特征项在语义主题空间P中对应的特征项向量。

7.根据权利要求6所述的一种基于动词的中文文本相似度计算方法，其特征在于，所述的语义相似度f₂的计算式为：

其中，为第一文本特征向量，为第二文本特征向量，w_i,j为第一文本特征向量与第二文本特征向量之间的夹角。