[发明专利]一种基于句法主语聚类的中文篇章主题表现力分析方法

权利要求书

1.一种基于句法主语聚类的中文篇章主题表现力分析方法，其特征在于，该方法包括以下步骤：

一、语料集获取：获取待分析的目标篇章，并依次判定篇章语言主体为中文和表达类型为记叙文后，以一篇待分析的篇章为一个语料集M；

二、语料集预处理：对所述语料集M的每一个句子依次执行下述规则后，得语料集T：

规则1：过滤纯非中文句子；

规则2：扫描错别字、修正；

规则3：对经规则1和规则2处理后的句子进行小句划分，确定小句数量，并依次标记为T1、T2、T3...、Tn；

三、主语提取：对所述语料集T中所有已标记的小句分别执行主谓句识别，执行下述规则提取主语，归集为主语集S；

规则1：识别小句为主谓句的，采用预置的主谓句主语骨干模型执行主语提取，提取的主语归集为子集S1；

规则2：识别相邻的小句首个句为名词性非主谓句，第2个小句为名词或谓词性非主谓句的，采用预置的非主谓句主语骨干模型执行主语提取，提取的主语归集为子集S2；

所述子集S1与所述子集S2合并为主语集S；

四、有效主语筛选：遍历主语集S中的所有词语，与预置的同义词词库内的词语一一对照匹配，执行下述筛选规则：

规则1：无法获得匹配对象的词语，判定为未登陆词语；并合并具有相同词型的未登录词，按其重复词型数计数，其中重复词型的词语大于等于2的，取计数数量为2，归集为子集C5；不重复的词，归集为子集C1；

规则2：匹配成功的词语，判定为登陆词语,给予唯一对应的编码；

规则3：具有相同词型不同编码的登陆词语，根据其所在语料位置，确认其唯一的对应编码；同时合并词型相同编码也相同的登陆词语，按其重复词型统计，归为集合C；

经筛选后的登陆词语赋予唯一的编码，所述编码为五级或以上的若干位数编码，并进入集合C，即集合C中每个词的编码中至少有1位不同，词性相同的词语编码首位相同；

五、主语聚类获取：遍历集合C的各词语编码，执行下述规则，获得主语聚类数：

规则1：按序对比各个词语的编码，有且只有编码首位相同的词语，执行归为同一主语聚类；

规则2：根据规则1，获取并统计不同主语聚类的种类数量，归为集合Z,集合Z为大于0的自然数；

六、主语聚类的层次提取：分别比对集合C内各词语的编码吻合长度，执行下述规则，提取并统计各主语聚类层次的词语：

规则1：第1级编码与其他任何词均不相同的词语，归集为子集C1，上述步骤四规则1中得到的子集C1与本规则的子集C1为同一子集，所述子集C1为大于0的自然数；

规则2：仅有第1级编码相同的词语，归集为子集C2，所述子集C2为大于0的自然数；

规则3：仅有第1、2级编码相同的词语，归集为子集C3，所述子集C3为大于等于0的自然数；

规则4：仅有第1、2、3级编码相同的词语，归集为子集C4，所述子集C4为大于等于0的自然数；

规则5：仅有第1、2、3、4级编码相同的词语，归集为子集C5，前述步骤四规则1中得到的子集C5与本规则的子集C5是同一子集，所述子集C5为大于等于0的自然数；

七、主语聚类主题表现力计算，执行下列多元回归函数，所得值为主语聚类的主题表现力值：

F(x)＝α+β₁Z+β₂C1+β₃C2+β₄C3+β₅C4+β₆C5

其中α为常数，β_j为回归系数，j＝1,2,…,6。

2.根据权利要求1所述的一种基于句法主语聚类的中文篇章主题表现力分析方法，其特征在于所述主谓句主语骨干模型采用下述方式训练：

—提取样本主谓句的主语结构；

—获取主语结构为光杆体词、谓词，句首的时间名词，将获取的词语标注为可归集主语；

—主语结构为偏正短语的中心词语，将获取的词语标注为可归集主语；

—主语结构为“的”字短语、量词短语，将获取的短语标注为可归集主语；

—主语结构为联合短语、同位短语，提取联合短语、同位短语中的实词，将获取的实词标注为可归集主语。