[发明专利]一种基于概念语义基元的文摘自动生成方法

摘要

本发明涉及一种基于概念语义基元的文摘自动生成方法，包含：利用概念语义基元作为语义计算和文档内容表示的载体，通过对文档语义内容的汇聚，获取文档内容的语义重心，然后根据语义重心选择代表文档内容的文摘句构成文档摘要的自动生成方法。本发明利用潜在狄利克雷分配(LDA)模型对文档主题进行建模，实现主题生成处理，按照主题重要度选择文摘句。在计算过程中引入概念层次网络符号，并利用其中的语义层次关系实现对语义信息的归并，改善以词语作为语义计算单元而造成的数据稀疏问题。

主权项

1.一种基于概念语义基元的文摘自动生成方法，所述方法包含：步骤101)利用文档中语句的语义信息对文档主题进行LDA建模，获得语义主题模型；步骤102)根据获得的语义主题模型，即LDA模型，进一步计算文档的语义重心，所述文档的语义重心指文档的“语句‑‑主题分布”和“主题‑‑概念语义基元分布”；步骤103)根据语义重心的表述，选择若干语句作为文摘句进行输出；所述步骤101)进一步包含：步骤101‑1)抽取输入文档的正文内容和标题；步骤101‑2)根据文档中的标点符号将抽取的正文内容划分为若干语句，且将标题作为一个独立的语句，进而得到文档的语句集合；步骤101‑3)为语句集合中的各语句增加序号信息和段标识信息，进而得到文档语句集合，其中，所述序号信息用于表示各语句属于文档的第几个句子；所述段标识信息用于表示各语句在一个段落中处于段首、段中还是段尾；步骤101‑4)对文档语句集合中的语句进行词语切分和概念语义基元符号映射，将各个语句中的词语与一个或若干个概念语义基元符号相对应，再对得到的概念语义基元符号进行层次分解，进而得到不同层次的概念语义基元符号的频次，最后将得到各个概念语义基元符号的频次特征输入潜在狄利克雷分配模型；步骤101‑5)通过潜在狄利克雷分配模型对输入信息的处理，进而得到语义主题模型；所述步骤101‑4)包括：步骤101‑4‑1)对文档语句集合中的语句进行词语切分和概念语义基元符号映射，进而将各个语句与一个或若干个概念语义基元符号相对应；并过滤词语切分后得到的连词、介词，进而保留实词；步骤101‑4‑2)从保留的实词中提取词语对应的、以概念层次网络符号表示的词语语义，计算概念语义基元符号的频次；步骤101‑4‑3)根据概念语义基元符号的层次关系，得到词语对应的概念语义基元符号的父节点和祖先节点，自底向上将底层节点的频次信息添加到上层节点上；步骤101‑4‑4)记录所有概念语义基元符号的频次信息，其中概念语义基元符号包括语句中词语对应的概念语义基元符号以及这些概念语义基元符号的祖先节点符号。