[发明专利]基于图的文本表示方法

权利要求书

1.基于图的文本表示方法，其特征在于：其方法步骤为：

步骤一：输入文本文档D；

步骤二：输出文本图G(V,E,W₁,W₂)；

步骤三：确定每个文档对应图模型的最多顶点个数n；

步骤四：对文档进行分词、词性标注、预处理，并对其进行词频统计；

步骤五：选取最能代表该文档的特征词条，其个数不超过n，并记录所有特征词在文档中的先后顺序；

步骤六：对文档D，由其所有特征词条作为图模型的顶点，相应的特征词条的出现频率构成顶点的权重，从而构成顶点的权重集合W₁；

步骤七：如果两个特征词在文档的某一段落中先后出现，则它们之间有一条有向边，边的方向由先出现的特征词指向后出现的特征词；

步骤八：根据公式(1)确定特征词条的关联矩阵M，U；

步骤九：根据公式对矩阵U进行归一化处理，确定归一化后的关联矩阵W；

步骤八所述公式(1)是由定义1的两个特征词条之间边的语义测度定义，语义测度定义：w_AB＝1/(num(B)-num(A)) (1)

其中，num(B)表示特征词条B在文档中的顺序号，num(A)表示特征词条A在文档中的顺序号；

其中定义1是一个文档D对应的就是词语义空间下的图G，G是一个四元组G(V,E，W₁,W₂)由带有权的顶点集V(G)和带有权的边集E(G)构成的带权有向图，顶点集V(G)由出现在文档D中所有特征词条构成；边上的权W₂表示与其关联的两个特征词条间约束程度的大小，所有的边所构成的集合称之为边集E(G)，边上的权W₂构成的集合称为边的权重集W₂。

2.根据权利要求1所述的基于图的文本表示方法，其特征在于：所述定义1的文档表达形式为：

T＝[t₁,t₂,…,t_n] (2)

其中，T：特征词条集合；t_i为特征词条，i＝1,2,…,n；M：特征词条的关联矩阵；a_ij：特征词条t_i和t_j的关联强度(1≤i≤j≤n)，

如果某个词A在同一段落中同时多次约束另一个词B，则仅计他们之间的最近约束关系，根据定义1可知，最大约束值为1，得到矩阵U：

一般地，需要对矩阵U进行归一化处理，

令

其中i,j,k,l＝1,2,…,n则得到归一化的矩阵W：

3.根据权利要求1所述的基于图的文本表示方法，其特征在于：两个文档D₁和D₂语义越接近，则它们的对应的文档图也越相似，相反，两个文档图越相似，则它们在语义上是越接近的，两个文档D₁和D₂语义越接近，体现在图的特征上，两个图就有更多的相同的顶点和边，并且边上的权值也越接近。

4.根据权利要求1所述的基于图的文本表示方法，其特征在于：假设两个文档D₁和D₂对应的带权有向图分别为G₁和G₂，G₁和G₂的最大公共子图为C，则文档D₁和D₂的相似性定义如下：

其中，|V(C)|代表带权有向图G₁和G₂的最大公共子图C的顶点个数，n＝Max{|V(G₁)|,V(G₂)}，常数因子β取0～1之间的小数，

文档相似度，反映两篇文档之间的相似程度，通常为一个0～1之间的数值，0表示不相似，1表示完全相似，数值越大表示两篇文档越相似，

两个文档语义越接近，体现在图的特征上，两个图就有更多相同的顶点和边，并且边上的权值也越接近，式(7)中，是对两个图的顶点组成的度量，两个文档语义越接近，对应的图越相似，取值越大，越接近1；而是对两个图的边的组成的度量，两个文档语义越接近，对应的图越相似，取值越大，越接近1，线性组合代表了对两个文档对应的图的相似性的度量，并且S(D₁,D₂)取值介于0～1之间，相应地，两个文档D₁和D₂的距离Dis(D₁,D₂)＝1-S(D₁,D₂)。