[发明专利]改进的文档中多主题的关键词提取技术

权利要求书

1.改进的文档中多主题的关键词提取技术，本发明涉及语义网络技术领域，具体涉及改进的文档中多主题的关键词提取技术，其特征是，包括如下步骤：

步骤1：利用中文分词技术对文本进行分词处理，其具体分词技术过程如下：

步骤1.1：根据《分词词典》找到待分词句子中与词典中匹配的词，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1.2：依据概率统计学，将待分词句子拆分为网状结构，即得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2所示

步骤1.3：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，第条路径包含词的个数为，即条路径词的个数集合为

得

在上述留下的剩下的路径中，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，为含词的文本语料库的个数

上式为含词的文本数概率值，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，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1.4：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，排除了条路径，，即剩下路径，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，为剩下路径中第条路径的长度

权值最大的一条路径:

步骤2：根据停用表对文本词汇进行去停用词处理，得到词汇集，其具体描述如下：

停用词是指在文本中出现频率高，但对于文本标识却没有太大作用的单词，去停用词的过程就是将特征项与停用词表中的词进行比较，如果匹配就将该特

征项删除

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3

步骤3：构造相关度函数对上述词汇集进行从大到小排序处理，取前个词语构成一个多主题网络模型；

步骤4：构造目标函数确定不同主题间的连接词；

步骤5：构造叉函数把连接词有效的融入多主题网络模型中，模型图记为，其计算过程如下：

叉函数：

上式为相对于的共现度，为相对于的共现度, 上式为两词汇本体概念共同的父节点密度，为两词汇本体概念共同的父节点深度，为义原网状结构中对应父节点所在的树状结构中的最大节点密度值，为义原网状结构中对应父节点所在的树状结构中的树的度

同理

上式为连接词与词汇集中词汇在一句话中出现的次数，为词汇集中词汇在文档中出现的次数，为连接词在文档中出现的次数，这里、

根据叉函数的值从大到小取个词汇对，即得文档中个关键词。

2.根据权利要求1中所述的改进的文档中多主题的关键词提取技术，其特征是，以上所述步骤3中的具体计算过程如下：

步骤3：构造相关度函数对上述词汇集进行从大到小排序处理，取前个词语构成一个多主题网络模型，其具体计算过程如下：

相关度函数:

上式为修正系数，为词汇间的差值

上式、都为词汇间相关度值，为 相对于的共现度，为相对于的共现度，为两词汇在一句话中出现的次数，为词汇在文档中出现的次数，为词汇在文档中出现的次数

，

提取前位作为文本的关键词，即根据值从大到小提取前个关键词。

3.根据权利要求1中所述的改进的文档中多主题的关键词提取技术，其特征是，以上所述步骤4中的具体计算过程如下：

步骤4：构造目标函数确定不同主题间的连接词,其具体计算过程如下：

目标函数：

上式为修正系数，为主题影响因子

上式为第个主题，主题个数为个，为主题中词汇的个数，它是个变量，主题不同，的值就不同，为第个主题中关键词词汇数为，为连接词在主题中出现的次数，为连接词与主题中词汇的相似度，这个可以由传统方法计算得出，、分别为、的影响系数，一般，且，、可以由实验测试出最佳值，上式为主题对文档的影响程度

根据值，从大至小选取个连接词。