[发明专利]一种基于改进TopicRank算法的文本关键词抽取方法

权利要求书

1.一种基于改进TopicRank算法的文本关键词抽取方法，其特征在于，包括步骤：

对输入计算机的文本进行预处理，从预处理后的文本中抽取候选关键词，并对候选关键词进行向量化，对向量化后的候选关键词进行聚类生成主题；

构建图模型，利用图模型获取每个主题的分值，其中，图模型的顶点代表主题，图模型的边代表构成边的两个顶点所表示主题间的语义关系，两个主题间的语义关系决定两个主题间的分值权重，将边的两个顶点代表的主题记为t_i、t_j，则主题t_i、t_j构成的边的分值权重w_i,j由主题t_i、t_j包含的候选关键词的相对位置，主题t_i、t_j包含的候选关键词的绝对位置和主题t_i、t_j包含的候选关键词的长度确定；

根据分值对主题进行排序，从高到低选取分值最高的n个主题，n为预先定义的正整数，从选取的n个主题包含的候选关键词中选取最终文本关键词。

2.如权利要求1所述的一种基于改进TopicRank算法的文本关键词抽取方法，其特征在于，所述主题t_i、t_j构成的边的分值权重w_i,j确定时，若主题t_i、t_j包含的候选关键词越长，则分值权重w_i,j越大；若主题t_i、t_j包含的候选关键词的绝对位置越靠近文本的开头，则分值权重w_i,j越大。

3.如权利要求2所述的一种基于改进TopicRank算法的文本关键词抽取方法，其特征在于，所述主题t_i、t_j之间的分值权重w_i,j按照如下方式定义：

len(c_k,c_l)的计算方式为：

len(c_k,c_l)＝len(c_k)+len(c_l)

或者，

len(ck,cl)＝(len(ck)+len(cl))²

pos(c_k,c_l)的计算方式为：

或者，

其中，len(c_k)、len(c_l)代表主题t_i、t_j中候选关键词c_k和c_l的长度，pos(c_k,c_l)代表c_k和c_l的正序位置信息，p_x、p_y是c_k和c_l在文中出现的位置，dist(c_k,c_l)表示主题t_i、t_j中候选关键词c_k和c_l在文本当中的所有距离之和，pos(c_k)、pos(c_l)表示文本中候选关键词c_k、c_l的所有位置。

4.如权利要求3所述的一种基于改进TopicRank算法的文本关键词抽取方法，其特征在于，所述利用图模型获取每个主题的分值中，主题t_i的分值S(t_i)按照如下公式定义：

其中，V_i是给主题t_i投票的其他主题，λ是预设的阻尼因子。