[发明专利]新的关键词提取技术

摘要

新的关键词提取技术，根据中文分词预处理过程，确定词汇位置权重、词性权重，以文本词汇贡献度最大的核心词汇为参考，计算两词汇相关度，构建一个多主题网络模型，构造目标函数提取连接词，利用叉函数把连接词融入到多主题网络模型中，得到新模型图，再提取前位词汇即为文本关键词。本发明准确度高、具有更好的应用价值，可以精确计算不同词汇对文本思想的贡献度、即考虑多主题性、又区分了不同特征，为后续的文本相似度与文本聚类提供良好的理论基础。

主权项

新的关键词提取技术，本发明涉及语义网络技术领域，具体涉及新的关键词提取技术，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，第条路径包含词的个数为，即条路径词的个数集合为得在上述留下的剩下的路径中，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，为含词的文本语料库的个数上式为含词的文本数概率值，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，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，排除了条路径，，即剩下路径，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，得到词汇集，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：构造相关度函数对上述词汇集进行从大到小排序处理，取前个词语构成一个多主题网络模型，其具体计算过程如下：利用下列公式，先提取文中信息量最大的词汇作为文本的核心词汇；上式为文本词汇集合总的个数，为第个词汇在文本出现的次数，为位置权重值，为词性权重值，再根据对应的词汇作为参考词汇，计算其他词汇与它的相关度，公式如下：为词汇与核心词汇在文本中同一句话中出现的次数，为词汇在文本中出现的次数，为核心词汇在文本中出现的次数，为词汇与的平均权重值，为词汇在文本中的权重值上式提取前位作为文本的特征词汇，即参考词汇与值更大的前位所对应的词汇集合步骤4：构造目标函数确定不同主题间的连接词；步骤5：构造叉函数把连接词有效的融入多主题网络模型中，模型图记为。