[发明专利]改进的小世界模型提取文本特征的算法

摘要

改进的小世界模型提取文本特征的算法，根据中文分词预处理过程、确定词汇位置权重、词性权重，综合基于《知网》的两词汇相关度算法、词汇对文本重要度方法来确定其语义相关度函数，由于聚合现象可以构建词汇语义网络模型图，设置两参数，一个为密度参数、另一个则为边权重参数，分别设定合适的阈值，满足条件即作为文本特征词汇，本发明有更好的准确度、克服了信息增益方法只适合提取一个类别的文本特征的不足，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，同时为后续的文本聚类提供良好的理论基础。

主权项

改进的小世界模型提取文本特征的算法，本发明涉及语义网络技术领域，具体涉及改进的小世界模型提取文本特征的算法，其特征是，包括如下步骤：步骤1：初始化文本语料库模块，对文本W的进行中文分词预处理，其具体描述如下：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：给步骤1中分词结果的文本进行位置、词性加权处理，其具体描述如下：代表位置权重，其赋值规则为：文本第一行是标题，赋予权值5；段首第一个词等于“摘要”，则赋予权值3；段首第一个词等于“关键字”或“关键词”，则赋予权值5；段首第一个词等于“结论”，赋予权值3；其它，每段首赋予权值1；代表词性权重，其赋值规则为：现代汉语语法中，一个句子主要由主语、谓语、宾语、定语和状语等成分构成，从词性的角度看，名词一般担当主语和宾语的角色，动词一般担当谓语的角色，形容词和副词一般担当定语的角色，词性的不同，造成了它们对文本或者句子的表示内容的能力的不一样，根据调查统计得出名词、动词、形容词、副词的权重值依次为、、和，且，其值可以由专家指出步骤3：得到的文本词汇集合依据其语义相关度会出现聚合现象，构建词汇语义网络模型图步骤4：根据图中词汇在整个语义网络图中的重要度构造两函数参数、，即可得词汇在整个文本中的地位和贡献度步骤5：根据步骤4中的两参数设置合适阈值提取文本中的特征词汇，即为代表文本主旨的特征词汇向量。