[发明专利]一种基于K-MEANS、WORD2VEC的抽取关键词的方法

权利要求书

1.一种基于K-MEANS、WORD2VEC的抽取关键词方法，其特征在于，它包括以下步骤：

S1:文本预处理；

S2:利用WORD2VEC算法构建出空间向量；

S3:使用K-means算法对多维空间中词语进行聚类；

S4:聚类评估，剔除模糊词，得到最终关键词；

所述的步骤S4包括以下子步骤：

S41：剔除模糊词，剔除对多个质心距离均衡的词语点；

S42：在每个聚类中，根据公式：进行计算，其中，Q为该词语在词库的权重，n为空间维度数目，X_i为该点第i维度值，X_iZ为质心点的第i维度值，L为修订后的最终距离，取该值最小的词语为该分类中的代表关键词；

S43：取出离质心距离最近的词语，该词语作为最终关键词；

S44：将此词语在领域词库中的权重进行提升，优化词库。

2.根据权利要求1所述的一种基于K-MEANS、WORD2VEC的抽取关键词方法，其特征在于，所述的文本预处理包括如下子步骤：

S11：准备被分析的文本、该文本对应的所属领域的领域词库；

S12：无关词去噪，根据领域词库对文本进行分词处理，分词后的文本结合领域词库，进行去重过滤剔除无关词语。

3.根据权利要求2所述的一种基于K-MEANS、WORD2VEC的抽取关键词方法，其特征在于，若某文本尚无对应的所属领域的领域词库，则进行构建词库。

4.根据权利要求2或3所述的一种基于K-MEANS、WORD2VEC的抽取关键词方法，其特征在于，所述领域词库中，每个词语包含词语本身及权重系数，其中权重系数默认为1。

5.根据权利要求1所述的一种基于K-MEANS、WORD2VEC的抽取关键词方法，其特征在于，所述的空间向量构建，包括如下子步骤：

S21:对每个文档，根据文档所属领域词库进行分词；

S22:利用分词后的文档训练Word2Vec模型，得到所属领域词库的Word2Vec模型；S23:将每个文档中的每个所属的备选关键词代入所属领域的Word2Vec模型，得到每个文档中所属的备选关键词的多维度的词向量。

6.根据权利要求1所述的一种基于K-MEANS、WORD2VEC的抽取关键词方法，其特征在于，采用k-means算法对多维空间词语聚类时，若有指定关键词数目，则在K-means算法中使用该数目作为聚类数目；若没有指定关键词数目，则默认关键词数目为5个。

7.根据权利要求1所述的一种基于K-MEANS、WORD2VEC的抽取关键词方法，其特征在于，所述的聚类包括以下步骤：

S31：从n个备选关键词中任意选择k个备选关键词作为初始聚类中心；

S32：根据每个聚类备选关键词的均值得到中心关键词，计算每个备选关键词与这些中心关键词的距离，并且根据最小距离，重新对相应关键词进行再次划分；

S33：重新计算每个聚类关键词的均值，即中心关键词的均值；

S34：循环步骤S32～S33，直到目标函数不再变化。