[发明专利]一种提取特征词的方法和装置

说明书

本发明公开了一种提取特征词的方法和装置，涉及信息技术领域。该方法的一具体实施方式包括：获取目标文本，确定所述目标文本中各词语的词性特征；根据所述各词语的词性特征以及预设的特征词词性提取规则，确定所述目标文本的特征词。该实施方式提供了一种提取目标文本特征词的新思路，通过词性特征提取目标文本的特征词，以此保存目标文本的多维特征，提高文本特征的准确度。

技术领域

本发明涉及信息技术领域，尤其涉及一种提取特征词的方法和装置。

背景技术

现今网络中充斥着很多文本数据，用户很希望接收一些与自己相关的信息(例如，新闻，国家发布的政策、指南等)来防止有效信息的遗漏，避免造成更大的损失。比如，一些工作者通过文本推荐，可以很快了解国家当下发布的与自己工作相关的文本，及时进行相关工作立项，避免信息遗漏造成的经济损失。

现有技术所提供的方案，通常计算词语在文本中出现的次数与文本总数的比值，例如，文档频率(Document Frequency，DF)、TF*IDF(Term Frequency–Inverse DocumentFrequency)等算法，以提取文本关键词。然后选取这些关键词中的前几项和标题组合起来形成表征文本特征的标签，最后利用这些标签进行特征相关性计算，以实现文本推荐。

在实现本发明过程中，发明人发现现有技术至少存在如下问题：

(1)现有技术所提供的方案，所能提取的特征词数量较少，不能很好地表征文本的多维度特征；

(2)对于较概括性的文本，许多重要性的词语出现次数较少，依据现有技术并不能很好地识别这些词语，阻碍了文本特征的提取。

发明内容

有鉴于此，本发明实施例提供一种提取特征词的方法和装置，至少能够解决现有技术提取的特征词数量较少导致文本特征缺失的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种提取特征词的方法，包括：获取目标文本，确定所述目标文本中各词语的词性特征；根据所述各词语的词性特征以及预设的特征词词性提取规则，确定所述目标文本的特征词。

可选地，所述根据所述各词语的词性特征以及预设的特征词词性提取规则，确定所述目标文本的特征词包括：

当相邻的四个词语中，第一个词语的词性为形容词或名词且出现次数大于等于零，第二个词语的词性为名词性短语且出现次数为零或一次，第三个词语的词性为形容词或名词且出现次数大于等于零，第四个词语的词性为名词时，确定所述相邻的四个词语为所述目标文本的特征词；或

当第一相邻的三个词语中第一个词语的词性为形容词或名词且出现次数大于等于一次，或者为名词性短语且出现次数至多为一次，第二个词语的词性为形容词或名词且出现次数大于等于零，第三个词语的词性为名词时，确定所述第一相邻的三个词语为所述目标文本的特征词；或

当第二相邻的三个词语中第一个词语的词性为形容词或名词或动词，第二个词语的词性为动词或名词且出现次数至多为一次，且第三个词语的词性为名词或动词时，确定所述第二相邻的三个词语为所述目标文本的特征词；或

当词语的词性为学术性词语时，确定所述学术性词语为所述目标文本的特征词；或

当词语的词性为敏感性词语时，确定位于所述敏感性词语之后且与所述敏感性词语相邻最近的词语为所述目标文本的特征词。

可选地，本发明实施例的方法还包括分析所述目标文本中各语句的语法结构，确定各语句的语句特征；其中，所述语句特征包括限定词以及中心词；根据预设的特征词语句特征提取规则，提取所述中心词以及位于所述中心词之前且与所述中心词相邻最近的限定词，确定所提取的所述中心词以及限定词所组合的组合词为所述目标文本的特征词。