[发明专利]一种文档主题词自动提取方法

摘要

本发明提供一种文档主题词自动提取方法的实现方法是一种非监督的方法，全程不需要人为干涉，从主题的划分还是关联词的寻找，都是根据文章自身的词语特征形成的；本发明提出了关联度来衡量主题词的关系，这种关联度充分考虑了共现度和词语间的互信息两种情况；本发明采用重叠矩阵来划分文章的主题，CPM算法作为社团划分的主流，用派系变异系数来衡量词语关联的稳定性，更有助于划分有效稳定的主题；采用重叠社区划分后结果的不同主题簇之间的连接词来反映不同主题之间的连接特征，这种连接特很好反映不同主题之间的承上启下的作用，有助于文章摘要顺序的生成。

主权项

1.一种文档主题词自动提取方法，其特征在于，包括以下步骤：S1.对文档进行预处理，包括分词、停用词的去除以及筛选词频最高前N位的词作为候选主题词的词集；S2.利用词汇之间的关联关系衡量文本主题词关联度；S3.构建词汇的网络空间模型，词的空间模型以词为节点，以关联性作为边的无向派系网络；S4.采用派系过滤算法对词的网络空间模型图进行重叠社区划分；S41.按照迭代递归的方法找到满足度数要求的网络的大小不同派系；S42.构建基于词间关联性的带权派系，用派系变异系数来衡量词语关联稳定性；S5.根据S4所得的所有带权派系，建立带权派系重叠矩阵；S6.根据输入值k和带权派系重叠矩阵，构建带权派系连接矩阵，产生k个主题划分结果，即形成k个主题簇，构成文章表达的特定主题；S7.根据划分结果找到不同主题簇之间的连接特征，找到不同主题簇之间的连接词；S8.找到主题簇里面的主题词，通过对主题簇进行提取，根据S2所得的主题簇里面的关联度求出主题簇内的连接权重，比较主题簇里面的各个词语的连接性得出该主题簇的主题词，主题簇内连接权重最大的词语即为该主题簇的主题词。