[发明专利]一种摘要抽取方法

说明书

本发明涉及自然语言处理技术领域，具体涉及一种摘要抽取方法，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。抽取摘要的内容与用户输入关键词的关联度高。

技术领域

本发明涉及自然语言处理技术领域，具体涉及一种摘要抽取方法。

背景技术

目前，上市企业的数量日渐增多，上市公司公告，即临时或按照年度披露的上市公司财务、业务等相关经营情况，包含的信息量大；但公告文本缺少标准的撰写规范且篇幅较长，不利于阅读以及数据分析，数据分析及审计人员需要从公告文本中人工提取关键语句和其他信息，造成工作效率低。因此，需提供一种上市公司公告文本摘要抽取方法，压缩公告文本篇幅，去掉分析和审计人员不关注的“冗余”信息，提升分析和审计人员工作效率。

目前已有相关摘要抽取方法，但主要通过全文检索包含关键词或者包含与关键词语义相似的词语的语句，并进行抽取合成摘要。主要采用的技术为词向量相似度计算。然而，现有摘要抽取方法应用于上市公司公告本文时存在一些问题，主要体现在仅考虑关键词之间的语义关联，未考虑关键词与段落、篇章的语义关联，且部分关键词贯穿整个公告文本，导致摘要抽取内容不够精准。

发明内容

本发明针对现有的摘要抽取方法抽取的摘要内容不够精准的问题，提供一种抽取摘要的内容与用户输入关键词的关联度高的摘要抽取方法。

一种摘要抽取方法，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。

此方法中，通过提取词语的语义表征，判断语句上下文语义表征与关键词组语义表征的相似度，抽取相似度大于设定值的语句组成公告文本摘要，摘要内容与用户输入关键词关联度高；

进一步的，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；

进一步的，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；