[发明专利]一种摘要抽取方法

权利要求书

1.一种摘要抽取方法，其特征在于，包括如下步骤：

S1、预处理，将公告文本中的数值、时间类型数据进行泛化处理；

S2、构建第一词表；

S3、构建第一词表的词语共现矩阵；

S4、词语共现矩阵降维，提取第一词表内所有词语的语义表征；

S5、重复S2至S4，提取公告文本中所有词语的语义表征；

S6、以语句为单位，将语义表征进行累加合并，形成语句上下文语义表征；

S7、用户输入关键词组，提取关键词组语义表征；

S8、判断关键词组语义表征与语句上下文语义表征的相似度，关键词组的相似度大于设定值，则将包括该关键词组的公告文本语句抽取为公共文本摘要；

所述S1包括，

替换公告文本Text中的数值为汉字数值，替换公告文本Text中的时间为汉字时间；

剔除标点符号中的标号，以及点号中的顿号和冒号，利用保留的点号作为分隔符将公告文本分解为语句；采用jieba分词法对公告文本Text进行中文分词，剔除其中的停用词后，采用TFIDF对词语进行加权，并将词语按照权值从大到小进行排列；

所述S2构建第一词表包括，获取权值排列前2000的词语构建第一词表Words；

，

其中w_i表示第i个词语，w_j表示第j个词语，n为词语的数量，；

所述S3包括，

对出现在同一语句中、同一段落中、同一篇章中的任意两词语w_i和w_j建立关联，构建词语共现矩阵

为语句级词语共现矩阵；

为段落级词语共现矩阵；

为篇章级共现矩阵；

矩阵行索引i、列索引j分别表示两共现词语w_i和w_j的索引；矩阵中的元素表示行、列索引指向的两词语的联合概率。

2.根据权利要求1所述的摘要抽取方法，其特征在于，所述S4包括，采用主成分分析法分别对语句级词语共现矩阵、段落级词语共现矩阵、篇章级词语共现矩阵进行降维，降维后的维度为2000*100，其中2000表示词语的数量，100表示每个词语语义向量的维度；降维后词语共现矩阵的三级向量即为三级语义表征；所述三级语义表征即词语的语句级、段落级、篇章级语义表征；提取第一词表内所有词语的三级语义表征。

3.根据权利要求2所述的摘要抽取方法，其特征在于，降维计算公式如下：

，

其中表示第k个行向量标准差；

表示中的第k个行向量；

表示协方差矩阵；

表示协方差矩阵的前100列特征列向量；

表示词语共现矩阵中第k个词语的三级语义表征。

4.根据权利要求3所述的摘要抽取方法，其特征在于，所述S5，每次重复，S2分别构建词表，直至包括公告文本中的所有词语，所述词表依次为权值排列前2000的词语。

5.根据权利要求4所述的摘要抽取方法，其特征在于，以语句为单位，将语义表征进行累加合并，形成语句上下文三级语义表征；所述语句上下文三级语义表征为

；

式中t为语句中第t个词语。