[发明专利]基于统计学的文本特征词汇提取方法

说明书

技术领域

本发明涉及语义网络技术领域，具体涉及一种基于统计学的文本特征词汇提取方法。

背景技术

文本特征指的是最能代表文本主旨的词汇集合，文本特征不仅可以很好的概括文本主要内容和主旨，而且可以降低文本处理的复杂程度。前常用的文本特征提取方法，包括词频-反文档频率方法、信息增益等方法。词频-反文档频率方法的简单结构并不能有效地反映词汇或短语的重要程度和特征值的分布情况，所以TF-IDF的精度并不是很高。信息增益方法只适合用来提取一个类别的文本特征，而无法用于提取多个类别的文本特征。上述两种文本特征提取方法没有文本集合或没有事先分好类别，仅仅给出一个文本，那么将无法提取这个文本的特征，这两种方法的优点在于计算速度快，但是计算结果的精度不高。另外上述两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,上述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，本发明提供基于统计学的文本特征词汇提取方法。

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，本发明提供了一种基于统计学的文本特征词汇提取方法。

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：利用中文分词技术对文本进行分词处理；

步骤2：根据停用表对文本词汇进行去停用词处理，得到文本特征词汇集合T＝(c₁，c₂，…，c_i，…，c_z)；

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_r)；

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mw(c_i)对文本词汇集合T进行进 一步降维处理得到词汇集合T′＝(c₁，c₂，…，c_i，…，c_z′)；

步骤6：根据语义相似度条件，合并相似度高的词汇，此时文本的特征词汇向量为

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。

4、为后续的文本相似度与文本聚类技术提供良好的理论基础。

5、此方法结果更符合经验值。

6、此方法解决了文本特征词汇高维稀疏的问题。

7、此方法解决了同义词与多义词的问题。

5、此算法具有更大的利用价值。

6、此方法计算了特征词汇中不同词汇对文本思想的贡献度。

附图说明

图1基于统计学的文本特征词汇提取方法的结构流程图

图2 为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，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：利用中文分词技术对文本进行分词处理，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：