1.多领域词典自动构建方法,其特征在于,包含以下实现步骤:
(1)构建初始文本集;
(2)提取出初始文本集中各文本的关键词;
(3)对待处理文本进行聚类,生成N个主题文本集,其中N为整数且N≥2;
(4)构建M个领域,选取各领域的种子词,其中M为≤N的正整数;
(5)依次统计各领域种子词在各主题文本集中出现的频率;将频率最高的主题文本集作为对应领域词典扩展的源文本集;
(6)计算各领域种子词与对应源文本集的文本中各候选词的关联度,将关联度到达设置阈值的候选词作为该领域词存入对应的词典中。
2.如权利要求1所述的方法,其特征在于,所述步骤(2)之前包含:分词、去高频词、去停用词的预处理步骤。
3.如权利要求1所述的方法,所述步骤(2)中采用以下计算公式来提取关键词,所述公式为:
TR(vi)是文本中词vi的重要性,d是阻尼系数,一般设置为0.85,N是无向图中所有词的个数,relat{vi}是与词vi有共现关系的词集合,vj是relat{vi}中的任意一个词,TR(vj)是vj的重要性,N(pj)是与vj有共现关系的词的个数。
4.如权利要求3所述的方法,其特征在于:所述步骤(3)中对待处理文本聚类包含以下过程:
(3-1)初始时,每个待处理文本各自为一个类;
类间距离定义为两个类中两两文本对间距离的最大值,文本间距离的计算公式如下:
其中C(t1,t2)表示文本1和文本2之间的距离,t1∩t2表示文本1和文本2之间包含相同关键词的个数,mid(t1,t2)表示文本1和文本2中包含关键词的平均个数;
类间距离计算公式如下:
Dist(ca,cb)=max{C(ta,tb),ta∈ca,tb∈cb}
其中,Dist(ca,cb)表示任意两个类簇之间的距离,ca和cb分别代表两个类,C(ta,tb)表示两个文本之间的距离,ta和tb分别表示两个文本,并且要求ta∈ca、tb∈cb;
(3-2)计算所有类两两之间的距离,将距离最小的类进行合并,命名为cnew;
(3-3)在待处理文本集中将已被合并的类簇删除,并将新类簇cnew加入到聚类结果中;
(3-4)重复步骤(3-1)至(3-3),直到待处理文本集中仅包含N个类簇时,停止聚类。
5.如权利要求4所述的方法,其特征在于:所述步骤(6)中候选词与种子词的关联度计算公式为:
其中p(word1,word2)为词word1和词word2共同出现的概率,p(word1)和p(word2)表示词word1和词word2分别出现的概率。
6.如权利要求5所述的方法,其特征在于:所述步骤(4)中,所选取的种子词的个数为50-200个。
7.如权利要求6所述的方法,其特征在于:所述步骤(6)中,待扩展词与种子词的关联度阈值设置为:0.2。