[发明专利]基于基尼指数求解文本相似度的方法

权利要求书

1.基于基尼指数求解文本相似度的方法，本发明涉及语义网络技术领域，具体涉及基于基尼指数求解文本相似度的方法，其特征是，包括如下步骤：

步骤1：利用中文分词技术分别对两文本进行分词处理，其具体分词技术过程如下：

步骤1.1：根据《分词词典》找到待分词句子中与词典中匹配的词，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：根据停用表分别对两文本词汇进行去停用词处理，得到文本特征词汇集合，，其具体描述如下：

停用词是指在文本中出现频率高，但对于文本标识却没有太大作用的单词，去停用词的过程就是将特征项与停用词表中的词进行比较，如果匹配就将该特

征项删除

综合分词和删除停用词技术,中文文本预处理过程流程图如图3

步骤3：根据词汇在文本中的位置得到一系列词汇位置权重值，其具体描述如下：

各个词在文本中的分布是不同的，而不同位置的词对于表示文本内容的能力也是不同的，这个可以根据统计调查得出一系列的位置权重值

步骤4：根据词汇在文本中的词性得到一系列词汇词性权重值、、、，其具体描述如下：

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

步骤5：综合上述步骤，利用目标权重函数对文本词汇集合进行进一步降维处理，得到文本特征词汇集合分别为、；

步骤6：根据语义相似度条件，合并相似度高的词汇，对两文本特征词汇集合、再降维，此时两文本的特征词汇向量分别为、，其具体过程如下：

步骤6.1）利用基于《知网》概念的方法，特征词汇集合、中的词汇映射到概念，求解两两词汇对应的两本体概念间语义相似度即为词汇相似度

构造两本体概念语义相似度

当两个概念共同直接子节点个数越多，则概念相似度越大，反之，越小

从概念的直接子节点中找出共有的子节点个数N

为了解决子节点多继承问题，有下式：

为最长路径的权重系数，为共有的子节点个数N的权重系数，，权重系数可以根据实验结果迭代得到，为两本体概念的语义信息距离，为从子集中找出概念经共同父节点的最长路径

上式

、分别为概念、在本体树中的信息量，为概念、在本体树中的共有信息量

步骤6.2）设定阈值g，合并相似度高的词汇，重新分配其权重

条件：

合并后的词汇为权重更大的那个，此时词汇的权重为两词汇权重的平均值，如下所式：

迭代计算两两词汇间的相似度，直到没有满足上述条件的词汇为止

综上即分别得，文本特征词汇向量、

步骤7：利用文本相似度函数，求解两特征向量、间的相似度即为文本相似度。