[发明专利]识别特征库获取方法、装置及短消息识别方法、装置

权利要求书

1.一种识别特征库获取方法，其特征在于，包括：

利用多个来自用户且消息类型预先确定的短消息形成样本集合；

对样本集合中的每个短消息进行字符串抽取，得到第一字符串集合；所述第一字符串集合中的每个字符串均不同；

针对所述第一字符串集合中的每一个字符串，统计所述样本集合的短消息中包括该字符串的短消息数量；

根据统计结果计算字符串对应于短消息类别的互信息；

按照互信息从大到小的顺序，从所述第一字符串集合中选择部分或全部字符串形成识别特征库。

2.根据权利要求1所述的识别特征库获取方法，其特征在于，所述字符串对应于短消息类别的互信息MI如下：

MI(tm,ci)=Σi=1nP(tm,ci)logP(tm,ci)P(tm)P(ci)]]>

其中：

t_m表示第一字符串集合中的第m个字符串，m＝1，...，L，L为所述第一字符串集合中记录的字符串的数量；

c_i表示预定义的短消息类别中的第i个类别；

MI(t_m，c_i)表示t_m和类别c_i之间的互信息；

P(t_m)表示所述样本集合的短消息中包括该字符串t_m的短消息的数量与样本集合中的短消息数量的比值；

P(c_i)表示所述样本集合的短消息中类别为c_i的短消息的数量与样本集合中的短消息数量的比值；

P(t_m，c_i)表示所述样本集合中包括该字符串t_m，且类别为c_i的短消息的数量与样本集合包括的短消息的数量的比值。

3.一种识别特征库获取装置，其特征在于，包括：

样本集合生成模块，用于利用多个来自用户且消息类型预先确定的短消息形成样本集合；

第一字符串抽取模块，用于对样本集合中的每个短消息进行字符串抽取，得到第一字符串集合；所述第一字符串集合中的每个字符串均不同；

统计模块，用于针对所述第一字符串集合中的每一个字符串，统计所述样本集合的短消息中包括该字符串的短消息数量；

互信息计算模块，用于根据统计结果计算字符串对应于短消息类别的互信息；

字符串选择模块，用于按照互信息从大到小的顺序，从所述第一字符串集合中选择部分或全部字符串形成识别特征库。