[发明专利]一种政务文章标题关键字提取方法、设备及存储设备

说明书

本发明涉及一种政务文章标题提取方法、设备及存储设备，方法包括以下步骤：获取短文本集合A，提取A中的一个短文本a，并从a中提取分词结果T；从T中选择词语Tsubgt;i/subgt;，计算其逆文本频率值IDF；根据IDF对a预处理，得到短文本a`及对应的分词结果T`；计算T`中关键词词语Tsubgt;i/subgt;`的语义相似度Psubgt;i/subgt;；在a`首尾处各补充一个占位符，得到短文本及其对应的分词结果；根据Psubgt;i/subgt;计算的词语的得分；计算由相邻两个关键词和组成的关键短语的得分；按关键词短语得分，由高到低输出提取结果。有益效果是：综合考虑了词语词频、词间关联关系和语义相似度，有效提高了短文本标题尤其是政务网文章标题关键字的提取精度。

技术领域

本发明涉及数据处理领域，尤其涉及一种政务文章标题提取方法、设备及存储设备。

背景技术

一段文本的关键词是指最能代表文本核心关键内容的词汇，关键短语则指相邻关键词的组合。在构建文件搜索系统时，往往需要首先提取文章标题的关键词和关键短语，进而建立关键词或关键短语与文件的关联关系或索引映射，从而实现基于关键词或关键短语的文件快速搜索。

TextRank是一种基于图排序的文本关键词提取算法，它利用关键词在窗口中的共现关系，在相关联候选关键词之间建立连边，形成词共现网络，通过迭代计算得到每个关键词的权重。在固定窗口长度下，其算法结果与词频、词所处位置相关，多用于长文本关键词、关键短语及关键句提取。传统的TextRank算法，如CN109918660A 一种基于TextRank的关键词提取方法和装置、CN114328865A 一种改进的TextRank多特征融合教育资源关键词提取方法、CN110728136A 一种融合多因素的textrank关键词提取算法等，在TextRank算法基础上增加了词语长度、词性对关键词得分的影响，其在长文本关键字提取应用中表现良好，但并不适用于政务文章这类短文本的提取情况，其原因主要如下：

（1）在政务文章标题等短文本中，词语一般较为简单，词语一般不会重复出现，因而词频固定；

（2）在政务文章标题等短文本中，词语长度一般固定为2-3个字，且词长一般不影响词汇的关键性；

（3）在政务文章标题等短文本中，词性一般单一或固定，多以名词为主。

传统方法中，对于词位置的处理是设置为中间权重大，两端小，但在文章标题等短文本中，词位置对词关键性的影响较为随机。因此传统的TextRank算法提取其短文本关键词，或者即使能够提取，但其提取的准确度较低。

发明内容

为解决传统TextRank算法提取其短文本关键词不适用或准确度低的技术问题，本发明提出了一种政务文章标题提取方法、设备及存储设备，其中，方法采取两端补充占位符的方式，消解词位置对关键性的影响，同时通过融合语义相似度，改进传统的TextRank计算公式，使得计算结果能够兼顾语义相似度与词共现关系，从而提升关键词提取准确度。

本发明供的一种政务文章标题提取方法，具体包括以下步骤：