[发明专利]改进的基于语义分析的文本相似度求解算法

摘要

改进的基于语义分析的文本相似度求解算法，先对两文本进行分词和去停用词处理，基于改进的信息论方法，计算词汇在文本中权重，根据词汇位置信息和词性，得到词汇位置和词性的权重，综合上述三因子，构造提取文本词汇的目标函数，最后，根据语义相似度分别对上述两特征词汇实施进一步降维处理得到两特征词汇向量，再根据皮尔森相关系数求解文本间的文本相似度。本发明比传统文本相似度计算方法准确度更高，适用性更广，具有更大的应用价值，可以精确计算不同词汇对文本思想的贡献度，解决了“一词多义”与“一义多词”的问题，更符合经验值，同时为后续的文本聚类提供良好的理论基础。

主权项

改进的基于语义分析的文本相似度求解算法，本发明涉及语义网络技术领域，具体涉及一种改进的基于语义分析的文本相似度求解算法，其特征是，包括如下步骤：步骤1：初始化文本语料库模块，对待比较文本的进行预处理，其具体处理过程如下：综合分词和删除停用词技术,中文文本预处理过程流程图如图2这里分词方法利用一种基于信息论中文自动分词算法，其具体分词和去停用词处理步骤如下：步骤1.1：利用停用表分别对文本进行去停用词处理步骤1.2：根据《分词词典》找到待分词句子中与词典中匹配的词，其具体描述如下：把待分词的汉字串完整的扫描一遍，在系统的词典里进行查找匹配，遇到字典里有的词就标识出来；如果词典中不存在相关匹配，就简单地分割出单字作为词；直到汉字串为空步骤1.3：依据概率统计学，将待分词句子拆分为网状结构，即得n个可能组合的句子结构，把此结构每条顺序节点依次规定为，其结构图如图3所示步骤1.4：基于信息论方法，给上述网状结构每条边赋予一定的权值，其具体计算过程如下：根据《分词词典》匹配出的字典词与未匹配的单个词，第i条路径包含词的个数为，即n条路径词的个数集合为得在上述留下的剩下的(n‑m)路径中，求解每条相邻路径的权重大小在统计语料库中，计算每个词的信息量，再求解路径相邻词的共现信息量，既有下式：上式为文本语料库中词的信息量，为含词的文本信息量上式为在文本语料库中的概率，n为含词的文本语料库的个数上式为含词的文本数概率值，N为统计语料库中文本总数同理为在文本语料库中词的共现信息量，为相邻词共现的文本信息量同理上式为在文本语料库中词的共现概率，m为在文本库中词共现的文本数量为文本库中相邻词共现的文本数概率综上可得每条相邻路径的权值为步骤1.5：找到权值最大的一条路径，即为待分词句子的分词结果，其具体计算过程如下：有n条路径，每条路径长度不一样，假设路径长度集合为假设经过取路径中词的数量最少操作，排除了m条路径，m<n，即剩下(n‑m)路径，设其路径长度集合为则每条路径权重为:上式分别为第1,2到路径边的权重值，根据步骤1.4可以一一计算得出，为剩下(n‑m)路径中第条路径的长度权值最大的一条路径:步骤2：基于信息论方法，计算词汇在文本中权重值，其具体计算过程如下：基于信息论词频的计算公式有：上式为词汇关于词频在文档中所具有的信息量，分别为词、在文本中的概率值基于信息论文档频率的计算公式有：为词汇关于文档频率在文档库中所具有的信息量，为分别含有、的文档数，N为文档库中文档的总个数综上所述，有基于信息论计算词汇权重的函数，归一化后，如下式：步骤3：根据词汇位置信息和词性，计算词汇在文本中的权重值步骤4:综合考虑上述三因子，构造提取文本中的特征值目标函数，分别提取文本中的特征值步骤5：利用词汇语义相似度对上述得到的特征词汇集合进行降维处理步骤6：根据皮尔森相关系数求解待比较文本间的文本相似度，其具体计算过程如下：根据步骤4计算得出的特征词汇权重值，相关领域专家选取前m位关键词，这里m<20，既分别有文本对应的特征词向量文本对应的特征词的平均权重函数为：同理，文本对应特征词的平均权重函数为：根据皮尔森相关系数，即可得文本间的文本相似度，有下式：。