一种混合的文本特征词汇提取方法与流程

技术特征：

1.一种混合的文本特征词汇提取方法，本发明涉及语义网络技术领域，具体涉及一种混合的文本特征词汇提取方法，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1.4：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：根据停用表对文本词汇进行去停用词处理，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：根据词汇在文本中的位置得到一系列词汇位置权重值，其具体描述如下：

各个词在文本中的分布是不同的，而不同位置的词对于表示文本内容的能力也是不同的，这个可以根据统计调查得出一系列的位置权重值

步骤4：根据词汇在文本中的词性得到一系列词汇词性权重值、、、，其具体描述如下：

现代汉语语法中，一个句子主要由主语、谓语、宾语、定语和状语等成分构成，从词性的角度看，名词一般担当主语和宾语的角色，动词一般担当谓语的角色，形容词和副词一般担当定语的角色，词性的不同，造成了它们对文本或者句子的表示内容的能力的不一样，根据调查统计得出名词、动词、形容词、副词的权重值依次为、、和，且

步骤:5：综合上述位置与词性，根据词汇在文本中信息量，得到词汇的权重贡献公式，提取第一位与按值从大到小排列的后续m位，即为文本特征词汇集合，其具体计算过程如下：

利用下列公式，先提取文中信息量最大的词汇作为文本的核心词汇；

上式为文本词汇集合总的个数，为第i个词汇在文本出现的次数，为位置权重值，为词性权重值，

再根据对应的词汇作为参考词汇，计算其他词汇与它的相关度，公式如下：

为词汇与核心词汇在文本中同一句话中出现的次数， 为词汇在文本中出现的次数，为核心词汇在文本中出现的次数，为词汇与的平均权重值，为词汇在文本中的权重值

上式

第一位为核心词汇，后续词汇排列按的值从大到小排列

步骤6：综合词汇语义相似度方法，构造词汇语义网络模型图；

步骤7：根据邻域方法，得到词汇在整个词汇语义网络模型中的重要度，找到满足重要度条件的文本特征词汇集合。

2.根据权利要求1中所述的一种混合的文本特征词汇提取方法，其特征是，以上所述步骤6中的具体计算过程如下：

步骤6：综合词汇语义相似度方法，构造词汇网络模型，其具体计算过程如下：

词汇间语义相似度计算公式

上式为义原网络层中特征词汇对应的概念中子节点数最多的值， 为义原网络层中特征词汇对应的概念中子节点数最多的值,这里，为对应概念节点的共同父节点在义原网络层中的深度，为深度的权重，为对应概念节点的共同父节点在义原网络层中的密度，为密度的权重，且，、可以根据实验迭代得出

根据步骤5得到词汇间的排序，再依据词汇间语义相似度计算公式，构建

构造词汇语义网络模型图，如图4。

3.根据权利要求1中所述的一种混合的文本特征词汇提取方法，其特征是，以上所述步骤7中的具体计算过程如下：

步骤7：根据邻域方法，得到词汇在整个词汇树网络模型中的重要度，找到满足重要度条件的文本特征词汇集合，其具体计算过程如下：

先根据子节点需满足下列条件，刷选出特征词汇集合；

由相应专家设定一个合适的阈值x，x>1，条件如下：

对特征词汇集合进行进一步降维处理，需满足如下条件：

上式y为专家设定的一个合适的阈值

综上所述，得到文本特征词汇向量。