[发明专利]面向电子图书的语义空间表示方法及系统

权利要求书

1.一种面向电子图书的语义空间表示方法，其特征在于，包括如下步骤：

A.文档分割：将电子图书按语义结构分成若干个语义单元；

B.权重计算：首先构建全文的词汇表，从而电子图书的每一个语义单元用一个词频向量表示，整个电子图书用一个词频矩阵来表示；然后根据权重计算方法针对每个词计算其权重；

C.关系图构建：根据电子图书的词频矩阵和词的权重构建一个词邻接关系图，词邻接关系图用一个邻接矩阵表示，矩阵中的每个元素值表示词邻接关系图中边的权重；

D.多维压缩：利用多维主成分分析将词邻接关系图映射到一个低维语义空间上，用该低维语义空间模型表示电子图书。

2.根据权利要求1所述的语义空间表示方法，其特征在于，在所述文档分割步骤中，将电子图书按照自然段落划分为不同的语义单元，划分过程如下：

（1）.把全文按自然段落划分，每一个段落成为一个单独的语义单元；

（2）.如果某一个自然段落的词数目少于一个给定阀值，则把该段落合并到下个一个语义单元中。

3.根据权利要求1所述的语义空间表示方法，其特征在于，在所述权重计算步骤中，构建词汇表的方法步骤如下：

（1）.去停词：将文档中没有具体意义的词去掉；

（2）.提取词干或提取词组：在英文中，需要对词做词干；中文需要提取文章中的词语；

（3）.计算每个词的tfidf值：计算公式如下，其中，是第u个词在整个文档中的频率，idf表示逆文档频率，n是文档的数目；

（4）.根据tfidf值选择前m个词作为文档集的词汇表。

4.根据权利要求1所述的语义空间表示方法，其特征在于，在所述关系图构建步骤中，为了表示词空间分布，对每一个文档构建一个词关系邻接图,词汇表中每一个词作为一个顶点；在同一个语义单元中共同出现的词之间有一条边，这样，文档G_i可以用一个m×m的矩阵表示其邻接关系图，图中边的权重计算如下：

gi,u,vFu,vlog2(n/DFu,v)||Gi||2,u≠vfutlog(n/fud)/||Gi||2,u=v]]>

其中，||.||₂为Frobenius范数，F_u,v为在文档i词u，词v共同在一段中发生的词频，DF_u,v为词u，词v共同出的文档数，为词u在所有文档中的频率之和，为第u个词的文档频率。