[发明专利]基于基尼指数求解文本相似度的方法

说明书

技术领域

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。

背景技术

在中文信息处理中,文本相似度的计算广泛应用于信息检索、机器翻译、自动问答系统、文本挖掘等领域,是一个非常基础而关键的问题,长期以来一直是人们研究的热点和难点。目前多数文本相似度算法是以向量空间模型为基础的,但这种方法会引起高维稀疏的问题以及不知特征词汇集合对文本的重要程度和贡献度。而且,这类算法没有很好地解决文本数据中存在的自然语言问题同义词和多义词。这些问题干扰了文本相似度算法的效率和准确性,使相似度计算的性能下降。为了满足上述需求，本发明提供了一种基于基尼指数求解文本相似度的方法。

发明内容

针对于特征向量高维稀疏问题、未考虑特征词汇集合对文本的重要程度和贡献度的问题、存在同义词与多义词问题以及文本相似度算法的效率和准确性不高问题，本发明提供了基于基尼指数求解文本相似度的方法。

为了解决上述问题，本发明是通过以下技术方案实现的：

步骤1：利用中文分词技术分别对两文本(w₁，w₂)进行分词处理；

步骤2：根据停用表分别对两文本(w₁，w₂)词汇进行去停用词处理，得到文本特征词汇集合T₁，T₂；

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(α₁，α₂，…，α_n)；

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β₁、β₂、β₃、β₄；

步骤5：综合上述步骤，利用目标权重函数f(w)_归一化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T₁′、T₂′；

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T₁′、T₂′再降维，此时两文本的特征词汇向量分别为

步骤7：利用文本相似度函数sim(w₁，w₂)，求解两特征向量间的相似度即为文本相似度

本发明有益效果是：

1、此方法比传统的词频-反文档频率方法得到的特征词汇集合的准确度更高。

2、此方法克服了信息增益方法只适合用来提取一个类别的文本特征的缺点。

3、此方法结果更符合经验值。

4、此方法解决了文本特征词汇高维稀疏的问题。

5、此方法解决了同义词与多义词的问题。

6、为后续的文本聚类技术提供良好的理论基础。

7、此算法具有更大的利用价值。

8、此方法计算了特征词汇中不同词汇对文本思想的贡献度。

9、此方法计算文本相似度的准确性更高。

附图说明

图1基于基尼指数求解文本相似度的方法的结构流程图

图2 n元语法分词算法图解

图3中文文本预处理过程流程图

具体实施方式

为了解决特征向量高维稀疏问题、未考虑特征词汇集合对文本的重要程度和贡献度的问题、存在同义词与多义词问题以及文本相似度算法的效率和准确性不高问题，结合图1-图3对本发明进行了详细说明，其具体实施步骤如下：

步骤1：利用中文分词技术分别对两文本(w₁，w₂)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SM₁M₂M₃M₄M₅E，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：