[发明专利]一种全局优化文本关键词质量的算法

摘要

一种全局优化文本关键词质量的算法，先对文本进行分词和去停用词处理，综合考虑关键词在文本库中的权重、密度、深度、词性、词位、以及与核心词汇的相关度等因子，将每个关键词看成一个多维向量，利用约束条件，在多维空间上对每个关键词集合进行降维处理，最后提取高质量的关键词汇特征集合；本发明比传统的词频‑反文档频率方法准确度更高，克服了信息增益方法只适合提取一个类别的缺点，为后续的文本相似度与文本聚类提供理论基础，此算法约束条件严谨可以精确地计算不同词汇对文本的贡献度，不但可以保证关键词个体质量，而且可以从全局上优化关键词的整体质量。

主权项

一种全局优化文本关键词质量的算法，本发明涉及语义网络技术领域，具体涉及一种全局优化文本关键词质量的算法，其特征是，包括如下步骤：步骤1：利用中文分词技术对文本进行分词处理，其具体分词技术过程如下：步骤1.1：根据《分词词典》找到待分词句子中与词典中匹配的词，把待分词的汉字串完整的扫描一遍，在系统的词典里进行查找匹配，遇到字典里有的词就标识出来；如果词典中不存在相关匹配，就简单地分割出单字作为词；直到汉字串为空步骤1.2：依据概率统计学，将待分词句子拆分为网状结构，即得n个可能组合的句子结构，把此结构每条顺序节点依次规定为，其结构图如图2所示步骤1.3：基于信息论方法，给上述网状结构每条边赋予一定的权值，其具体计算过程如下：根据《分词词典》匹配出的字典词与未匹配的单个词，第i条路径包含词的个数为，即n条路径词的个数集合为得在上述留下的剩下的(n‑m)路径中，求解每条相邻路径的权重大小，在统计语料库中，计算每个词的信息量，再求解路径相邻词的共现信息量，既有下式：上式为文本语料库中词的信息量，为含词的文本信息量上式为在文本语料库中的概率，n为含词的文本语料库的个数上式为含词的文本数概率值，N为统计语料库中文本总数同理为在文本语料库中词的共现信息量，为相邻词共现的文本信息量同理上式为在文本语料库中词的共现概率，m为在文本库中词共现的文本数量为文本库中相邻词共现的文本数概率综上可得每条相邻路径的权值为步骤1.4：找到权值最大的一条路径，即为待分词句子的分词结果，其具体计算过程如下：有n条路径，每条路径长度不一样，假设路径长度集合为假设经过取路径中词的数量最少操作，排除了m条路径，m<n，即剩下(n‑m)路径，设其路径长度集合为则每条路径权重为:上式分别为第1,2到路径边的权重值，根据步骤1.4可以一一计算得出，为剩下(n‑m)路径中第条路径的长度权值最大的一条路径:步骤2：根据停用表对文本词汇进行去停用词处理，其具体描述如下：停用词是指在文本中出现频率高，但对于文本标识却没有太大作用的单词，去停用词的过程就是将特征项与停用词表中的词进行比较，如果匹配就将该特征项删除综合分词和删除停用词技术,中文文本预处理过程流程图如图3步骤3：去停用词操作后的文本关键词集合为，每个关键词在文本中的贡献值看成一个多维向量，即步骤4：利用约束条件，在多维空间进行关键词特征集合降维处理，最后提取到最优化的文本关键词集合。