[发明专利]文档主题词提取方法及装置

摘要

本发明公开了一种文档主题词提取方法及装置。所述方法包括：对目标文档进行分词处理，其中，所述目标文档为文档库中的任一文档；针对同一分词，根据该分词在所述目标文档中每次出现时的分词属性，获取与所述分词属性相对应的权值，并根据所述权值，确定该分词在所述目标文档中的词频权重；基于所述文档库，确定所述分词的逆向文档频率；基于所述词频权重和所述逆向文档频率，提取预定数量的分词作为所述目标文档的主题词。由此使得所提取出的主题词具有更高的准确性和可靠性，能够更客观地表示该文档的中心思想，从而能够为后续的文档分类、文档推荐等提供准确、可靠的数据支持，使得文档分类结果更为准确、文档推荐结果更符合用户需求等等。

主权项

1.一种文档主题词提取方法，其特征在于，所述方法包括：对目标文档进行分词处理，其中，所述目标文档为文档库中的任一文档；针对同一分词，根据该分词在所述目标文档中每次出现时的分词属性，获取与所述分词属性相对应的权值，其中，所述获取与所述分词属性相对应的权值，包括：判断所述分词属性是否满足多个预设条件中的至少一个预设条件；在所述分词属性满足至少一个预设条件时，获取所述分词属性所满足的各个预设条件所对应的权值，并将获取到的各个预设条件所对应的权值的乘积作为与所述分词属性相对应的权值；根据所述与所述分词属性相对应的所述权值，确定该分词在所述目标文档中的词频权重，其中，通过以下方式来确定该分词在所述目标文档中的词频权重：其中，TFW表示分词的词频权重；Wn表示该分词在所述目标文档中第n次出现时的分词属性所对应的权值；N表示该分词在所述目标文档中的总出现次数；I表示所述目标文档中的分词总数；基于所述文档库，确定所述分词的逆向文档频率；基于所述词频权重和所述逆向文档频率，提取预定数量的分词作为所述目标文档的主题词。