[发明专利]一种面向司法文本数据的关键词提取方法及系统

摘要

本发明涉及一种面向司法文本数据的关键词提取方法及系统，本发明首先以引入法律名称和司法相关专业性词汇表用于分词，并且进行人工复检来构建司法专业词汇标注表；然后通过将构建司法专业词汇标注词典和大规模的用户词典，进行分词，去除停用词等方法，获取词语；并且采集统计各类纠纷与案由的关键词搜索词汇，共同组成候选关键词；其次，加入标题词权重和词语全局性权重值方法修正候选关键词TF_IDF的权值，如果待提取的文档中未含有候选关键词，那么采用文档中每个词的TF_IDF归一化值作为TextRank算法初始权值输入，得到最终的词语权值。本发明可以较好地匹配司法文本数据，匹配性高，适用于大部分的司法文本数据；并且加快了提取速度，同时提取准确度高。

主权项

1.一种面向司法文本数据的关键词提取方法，其特征在于，包括如下步骤：(1)采集并预处理司法文本数据，对司法文本数据进行分词、停用词去除，获取词语；(2)构建关键词词典，并设置关键词词典标注词初始权值w_initial；(3)利用TF_IDF模型计算文档d_j中词语word_i的TF_IDF权重，作归一化处理得到TF_IDF权重归一化值tfidf_{ij_norm}；根据词语word_i在文档d_j中出现的位置计算标题词权值W_title(word_ij)；利用词语word_i在文档d_j中的出现范围计算全局性权值W_global(word_ij)；(4)基于关键词初始权值w_initial、标题词权值W_title(word_ij)、全局性权重值W_global(word_ij)、TF_IDF权重归一化值tfidf_{ij_norm}计算得到词语word_i在文档d_j中的总体权值(5)计算文档d_j所有词语的权重，按照词语的权重大小进行降序排列，将权值排在前k为的词语作为文档d_j的关键词。