[发明专利]一种文本信息检索方法及设备

说明书

本申请实施例公开了一种文本信息检索方法及设备。根据待检索文本信息的所属第一技术领域，确定多个词语，并基于所述多个词语构建种子词库；对所述种子词库进行语义泛化，并基于第一预设词语选择条件对语义泛化后的词语进行筛选，得到一级泛化词库；基于所述一级泛化词库进行文本信息检索，确定所述一级泛化词库中各词语分别对应的文本信息的数量，并基于所述文本信息的数量对所述一级泛化词库中的词语进行筛选，得到二级泛化词库；对所述二级泛化词库进行语义泛化，并基于第二预设词语选择条件对泛化后的词语进行筛选，得到三级泛化词库，以基于所述三级泛化词库进行文本信息检索。通过上述方法，提高检索效率。

技术领域

本申请涉及数据查重技术领域，尤其涉及一种文本信息检索方法及设备。

背景技术

在科学研究的过程中，文本信息检索是一个重要的步骤。例如，在对当前课题进行研究之前，需要对文献、论文以及专利等文本信息进行检索，以对当前待研究的问题进行查重。

通过查重可以使企业明晰现阶段科研动态、避免重复开发与资金浪费的问题，对企业而言功劳甚大。据不完全统计，各国因未查阅论文、专利等文献，以致使研究课题失去价值而造成的损失数以十亿计，间接损失就更多了。因此，文本信息的检索对于企业的成长，对于全球生产力的节省与提高，具有举足轻重的作用。

但是目前文本信息检索的常规方式主要以对待检索文本信息的描述信息进行直接匹配查找，其检索效率较低，同时也很难达到用户满意的检索效果。

发明内容

本申请实施例提供了一种文本信息检索方法及设备，用于解决如下技术问题：目前文本信息检索的常规方式主要以对待检索文本信息的描述信息进行直接匹配查找，其检索效率较低，同时也很难达到用户满意的检索效果。

本申请实施例采用下述技术方案：

本申请实施例提供一种文本信息检索方法。包括，根据待检索文本信息的所属第一技术领域，确定多个词语，并基于多个词语构建种子词库；对种子词库进行语义泛化，并基于第一预设词语选择条件对语义泛化后的词语进行筛选，得到一级泛化词库；基于一级泛化词库进行文本信息检索，确定一级泛化词库中各词语分别对应的文本信息的数量，并基于文本信息的数量对一级泛化词库中的词语进行筛选，得到二级泛化词库；对二级泛化词库进行语义泛化，并基于第二预设词语选择条件对泛化后的词语进行筛选，得到三级泛化词库，以基于三级泛化词库进行文本信息检索。

本申请实施例通过对种子词库进行语义泛化，并基于第一预设词语选择条件对语义泛化后的词语进行筛选，得到一级泛化词库。能够根据泛化后的词语进行文本信息检索，从而扩大检索范围，使检索到的文本更加全面。其次，本申请实施例基于文本信息的数量对一级泛化词库中的词语进行筛选，从而将数量较少的文本信息进行删除，解决因词语不准确而导致的文本信息不准确的问题。此外，本申请实施例还对二级泛化词库进行语义泛化，从而将确定出的当前领域的文本信息所对应的词语进一步扩充，从而增加获取到的当前技术领域的文本信息的数量，使得获取到的当前技术领域的内容更加全面。本申请实施例通过对词库不断优化，可以不断提高检索出的文本信息的精确度，进而提高检索效率。

在本申请的一种实现方式中，基于第一预设词语选择条件对语义泛化后的词语进行筛选，得到一级泛化词库，具体包括：基于语义泛化后的词语与预设核心语料库中的词语，确定出第一核心词语；确定语义泛化后的词语与第一核心词语之间的相似值，以及确定相似值大于第一预设相似值的词语的数量；在大于第一预设相似值的词语的数量，符合第一预设词语选择条件时，将相似值对应的词语组成一级泛化词库。

在本申请的一种实现方式中，基于文本信息的数量对一级泛化词库中的词语进行筛选，具体包括：确定一级泛化词库中，各词语分别对应的检索出的文本信息的数量，并将文本信息的数量作为各词语对应的反权重系数；在任一词语对应的文本信息的数量，大于第一预设数量值的情况下，对反权重系数进行调节，以对检索出的文本信息的数量进行调节，并通过调节后的文本信息的数量对一级泛化词库中的词语进行筛选。