[发明专利]基于文档分段的构建主题-词汇分布的方法及系统

权利要求书

1.一种基于文档分段的构建主题-词汇分布的方法，包括：

通过预设的本体库将资源文档按照语义相关度分割成资源文档片段；

根据LDA算法对所述资源文档片段构建主题-词汇分布。

2.如权利要求1所述的基于文档分段的构建主题-词汇分布的方法，在将资源文档按照语义相关度分割成资源文档片段的过程中，

获取所述资源文档中的句法段落和语义段落；其中，

如果所述资源文档包含一个句法段落，则不分割所述资源文档，直接根据所述LDA算法对所述资源文档构建主题-词汇分布；

如果所述资源文档包含一个语义段落，则不分割所述资源文档，直接根据所述LDA算法对所述资源文档构建主题-词汇分布；

如果所述资源文档包含多于一个的句法段落和多于一个的语义段落，则获取两个相邻的句法段落之间的语义距离，将语义距离大于预设的语义距离阈值的两个相邻的句法段落皆作为语义段落，将语义距离小于预设的语义距离阈值的两个相邻的句法段落合并成一个语义段落，在句法段落合并成语义段落之后，再将语义距离小于预设的语义距离阈值的多个相邻的语义段落合并成一个语义段落，如果多个相邻的语义段落合并后仍存在多个相邻的语义段落，则重新计算多个相邻的语义段落之间的语义距离，再与预设的语义距离阈值比较后进行合并，重复上述多个相邻的语义段落的合并过程，直到任意两个语义段落之间的距离都大于预设的语义距离阈值为止，将每个语义段落作为一个资源文档片段。

3.如权利要求2所述的基于文档分段的构建主题-词汇分布的方法，根据预设的本体库计算两个相邻的句法段落之间的语义距离，所述语义距离的计算公式为：

distance(Si,Sj)=(Σs=1masm+Σt=1nbtn)/2;]]>

其中，

a_s＝min{dis(S_is,S_j1),dis(S_is，S_j2)，...，dis(S_is，S_jn)}；

b_t＝min{dis(S_i1，S_jt),dis(S_i2，S_jt)，...，dis(S_im，S_jt)}；

a_s为句法段落S_i中的第s个单词S_is和句法段落S_j中的每个单词S_j1，S_j2，...，S_jn之间的距离的最小值；

b_t为句法段落S_j中的第t个单词S_jt和句法段落S_i中的每个单词S_i1，S_i2，…，S_im之间的距离的最小值；

dis(S_is，S_jt)为句法段落S_i中第s个单词S_is与句法段落S_j中第t个单词S_jt在预设本体库的概念空间中的距离。