一种基于元搜索引擎的标签自动生成方法与流程

本发明涉及标签获取的方法，特别是一种基于元搜索引擎的标签自动生成方法。

背景技术：

近年来，随着互联网行业的飞速发展以及搜索引擎日趋成熟，各式搜索引擎成为了人们获取信息的有利工具，随着用户的增多，互联网产生的信息量出现了爆炸式的增长，但这些信息资源往往夹杂着各种噪音，搜索引擎无法满足用户的个性化需求。为了更有效的利用这些信息资源，研究者们引入了“标签”技术，让用户能够更加精准的搜索到想要的结果，从海量信息中筛选出有效信息逐渐成为人们的研究热点，随着“标签”技术的成熟，自动标签技术也得到了广大学者的关注。

标签作为一种信息描述形式，近年来也的到了广泛的应用，一般是独立的单词，可以理解为是关键词或者主题词，它可以体现文本的关键信息，利用标签可以更好的发现、管理、传播和利用信息资源。目前越来越多的机构对标签进行了研究和利用，例如我们熟知的美味书签、百度百科、新浪微博等，用户对标签的正确应用，给日常工作带来便利，受到了各领域用户的一致好评。

目前标签获取的方法主要分为两类，一类是由用户捐献标签，这类标签需要较高的人工成本，但往往能够相对准确的反应出文本的关键信息；另一类则是利用数据挖掘和机器学习算法，从文本信息中自动提取能概括文本主题的词语，作为标签，这类方法无需人工干预，用户通过标签获取更加精准的信息。

标签的应用为用户带来很大的便利，如何提升标签的质量也成了人们研究的热点，也是一个难点。首先，互联网上的信息资源格式差异太大，有文本形式、有图片信息，还有视频以及其他形式，同一个资源一般也会包含多方面的信息；其次，对于同一个信息资源，不同标签代表的含义也各不相同，理想的情况是能够将关联度较高的词语作为标签。

技术实现要素：

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于元搜索引擎的标签自动生成方法。

为解决上述技术问题，本发明所采用的技术方案是：一种基于元搜索引擎的标签自动生成方法，包括以下步骤：

1)对文本标题和摘要进行分词处理，并记录词性；对词语进行过滤处理，得到一系列候选关键词；

2)按照候选关键词的先后顺序进行标号，遍历候选关键词，记录词语出现的频率、词语首次出现的位置、末次出现的位置以及词语总数sum，计算词语w_i的位置因子L(w_i)、词频因子T(w_i)、跨度因子S(w_i)，从而计算出词语信息量m(w_i)；

3)根据词语信息量计算词语间的相关性；词语w_i和词语w_j的相关性有如下计算公式：

其中，r(w_i,w_j)表示词语w_i和w_j之间的差异性；

4)根据所述相关性计算词语w_i的TextRank值：

其中，d指的是阻尼系数，其大小介于0和1之间；P(w_i)表示词语w_i的TextRank值或者重要性，In(w_i)表示与词语w_i相关的词语集合；P(w_j)表示词语w_j的TextRank值或者重要性，P(w_i)、P(w_j)的初始值均为1，上式等号右侧P(w_j)为上一次迭代的值，等号左侧P(w_i)为当次迭代的值；

5)对于从搜索引擎爬取的每一条结果的标题和摘要中的词语，利用步骤1)～步骤4)计算TextRank值，将词语按TextRank值进行排序，选取前五个词语作为候选标签；

6)将所有候选标签进行合并，选取得分最高的前N个词语作为标签。

本发明中，N＝10。

m(w_i)＝α*L(w_i)+β*T(w_i)+γ*S(w_i)；其中α，β，γ为影响系数，α+β+γ＝1。

词语w_i的位置因子L(w_i)的计算公式为：

其中，area(w_i)表示词语w_i在句子中出现的位置。

词语w_i的词频因子T(w_i)计算公式为：

其中，fre(w_i)表示词语w_i出现的频率。

词语w_i的跨度因子S(w_i)的计算公式为：

其中，las(w_i)为词语w_i末次出现的位置；fre(w_i)表示词语w_i出现的频率。

与现有技术相比，本发明所具有的有益效果为：本发明针对不同的搜索引擎有着独立的特性，在索引机制、排序算法、查找范围等多方面都存在较大的差异，独立搜索引擎的覆盖率相对较低，在查全率和查准率方都不够理想。本发明引入了元搜索引擎技术和自动生成标签，将自动标签技术应用到搜索引擎中，从而保证查全率和查准率。

附图说明

图1为文本预处理过程；

图2为词语的数据结构；

图3为改进后的TextRank算法流程图；

图4为标签提取流程图；

图5为元搜索引擎结构图。

具体实施方式

本发明基于已有的TextRank算法，提出了一种改进的TextRank算法生成标签。本方法一共由3个阶段组成，分别为文本预处理优化，信息量计算，标签提取。

算法改进思路：首先是文本预处理优化，在进行中文分词的同时保留词语的基本信息，包括词性、词位置、词频，构成五元组；其次是词语过滤，去掉停用词，进行词性过滤，根据经验保留名词、动词和动名词，降低噪音干扰；再次重新计算词语信息量，通过统计的词语基本信息，计算词语位置得分、词频、词跨度，并计算综合得分作为词语的权重；最后计算词语间的相似度作为TextRank算法中的边的权重，利用TextRank算法计算每个词的TextRank值。

1.文本预处理优化

文本预处理首先需要对文本进行分词处理，然后去掉噪声词、去掉停用词，保留名词、动词、动名词，分词的同时记录词的偏移量，图1为文本预处理过程，最终记录如下信息：

(1)词的位置信息；

(2)词频信息；

(3)词性；

(4)词的偏移量。

从图4可知，文本预处理主要分为以下四个步骤：

(1)对文本进行中文分词，并记录词语的词性、偏移量等基本信息，这个过程中，需要借助于词典，本发明采用的是HanLP分词工具，该工具自带比较完善的词典文件，包括基本词典、用户自定词典等；

(2)去停用词，去除标点符号、功能性用词、单字等无意义的词，借助于停用词表，减少无用词的干扰；

(3)保留名词、动词、形容词，经过研究发现，95％以上的关键词都属于这三种词性，因此本发明为了减少干扰，只保留了这三种词性的词语，去除了副词、连词、语气词等多种词性的词语，用这种方式来提高关键词的精度；

(4)词频统计，生成词语集合，计算每个词的词频，结合偏移量、词位置的信息，通过这些信息构成一个五元组(词语、词性、词位置、词频、偏移量)。

1.1分词和词性标注

中文分词是关键词提取的基础，本发明第二章也介绍了分词原理以及常用的分词算法，分词工具的好坏直接影响着关键词提取的效果。本发明采用的是HanLP分词系统分词速度在300kb/s左右，分词精度达到95％以上，拥有多种类型的词典，其词典种类如下表1所示：

表1：HanLP中词典详细信息

从表1可以看出，HanLP包含了非常完善的分词词库，对于一些专有名词也有很好的扩展，不足之处是该分词算法对于新词汇的识别能力有限，另外，HanLP在分词的同时能够进行自动标注词性，对于词性标注，它拥有一套自己的规则，将词性规范化，表2是HanLP的词性标注集：

表2HanLP词性标注集

表2列出了HanLP提供的部分词性标注集，可以看出对于所有词性都有明确的分类和定义，下表3-6展示了分词效果：

表3HanLP分词效果

表3展示了HanLP的分词效果，分词的同时对词性进行了标注。

1.2停用词处理

在完成分词工作之后，文章被切分成词语集合，在词语集合中包含有标点符号、单个汉字等多种无意义的词，这些词中有很多出现频率很高，如果不进行过滤处理，将会对后续结果产生很大的影响。

对于停用词的处理，一般会用到停用词典，词典中收录了部分停用词，用户可以根据实际需要自行扩展，本发明用到的停用词典有1457个停用词。

1.3词性过滤

本发明用到的分词工具在分词的同时能够自动进行词性标注，。经过研究者们的实践和分析，85％以上的关键词都是名词或包含名词的组合词，其次动词和形容词，这三种词性加起来涵盖了95％以上的关键词，所以本发明鉴于这个原因，将分词结果只保留名词、动词和形容词，过滤掉其他词性词语，尽可能的减少无用词的干扰。

2.信息量计算

经过文本预处理之后，每个词语被重新组装成一个五元组，用图3-4所示的数据结构表示，对于信息量的计算，本发明考虑了词频、词位置、词跨度等特征信息，一方面重新计算词语权重，另一方面利用相似度原理计算词语间的相似度，作为TextRank算法中的边，融入TextRank算法提取标签。

从图2可以看出，本发明用到的数据结构包含了词的基本信息，分别记录词语的首位置、末位置、词性、词频，为后面的计算提供了数据基础，下面将具体介绍计算方式。

定义：(1)D_i为任意一条结果集，D_i＝{W₁,W₂,…,W_n}；

(2)T_i表示词频得分；

(3)L_i为位置得分；

(4)S_i为词跨度得分；

(5)P_i为词性特征值；

(6)Sim(d)为相似度得分。

1.词语位置得分

在本发明中，词的位置信息包括标题和摘要，一般如果一个词语出现在标题中，则会认为这个词比较重要，在赋予初始值得时候会有加分项，位置信息计算方法：

2.词频统计

本发明在对一篇文档进行预处理时，会把标题和内容分开去进行中文分词，所以在标题和内容中可能会出现相同的词，所以首先对单个文档进行词频统计，然后再对多个搜索结果进行词频统计：

其中，fre(w_i)表示词语w_i出现的频率。

3.词跨度计算

词跨度表示词语在文档中的距离，通过记录第一次出现的位置和最后一次出现的位置，由公式3计算得出，它反映出词在文章中的范围。

其中，fir(w_i)表示词语w_i出现的首位置，las(w_i)表示词语出现的末位置。

4.词性因子

根据分析对不同的词性的词分别赋予不同的权值，本发明经过预处理之后只剩下名词、动词和形容词，对于不同的词性赋予不同的权重因子。

5.相似度得分

本发明在相关性算法BM25F算法的基础上加以改进，首先，因为标题和摘要的重要性不同，需要对标题和摘要赋予不同的权重值。

定义：w为检索关键词，z表示不同的域，即表示标题或者正文，W_z表示不同域的权重值,即W₁＝5,W₂＝3,Num_t表示在文档d中包含查询关键词的个数，Total代表文档d所有词的数量，QNum表示检索条件中包含的w的数量。基于这一定义，得出下面的计算公式：

其中F(w,z)表示在域z中w出现的次数，可以从公式得出，标题和摘要包含的关键词数量与文档的评分值成正比。

最终根据这些信息，计算关键词的信息量。

6.相关度计算

根据万有引力定律，将词语看做一个物体，词的信息量看作物体的质量，词跨度看作物体间的距离，词语w_i和w_j的相关性有如下计算公式：

其中，m(w_i)表示词语w_i的信息量，r(w_i,w_j)表示词语w_i和w_j之间的差异性，有如下计算公式6所示：

其中S(w_i,w_j)表示词语w_i和词语w_j的共现次数。

算法设计思路

文档预处理

首先，利用HanLP分词工具，分别对标题和摘要进行分词处理，并记录词性；其次，词语过滤处理，包括停用词过滤和词性过滤；

计算词的信息量

文本进行预处理之后，会得到一系列候选关键词，按照关键词的先后顺序进行标号，遍历候选关键词，记录词频s_fre、词语首次出现位置s_first、末位置s_last以及词语总数sum，利用公式计算相应的权值：

(1)根据公式(1)计算位置因子；

(2)根据公式(2)计算词频因子；

(3)根据公式(3)计算词跨度因子；

(4)通过上面的信息计算词语的信息量。

计算词语的相关性

根据公式(5)计算词语间的相关性。

计算TextRank值

将公式(5)代入TextRank值的原计算公式得到改进后的公式7：

根据权重提取候选标签

对于每一条结果，将词语按TextRank值进行排序，选取前五作为候选标签。

标签生成

将所有候选标签进行合并，选取得分最高的十个词语作为标签。

从图3可以看出，该算法主要是通过分析词语的特征信息，并通过公式计算特征信息的影响因子，最终综合所有特征信息的影响因子，计算词的信息量，然后利用公式计算词语间相关度，构成TextRank算法图模型中的边，最后，计算每个词的TextRank值。

3.标签提取

设计思路：本发明的数据源来自于搜索引擎爬取的结果，获取每一条结果的标题和摘要，利用改进的TextRank关键词提取算法，获取每一条结果中得分最高的N个词，然后合并所有的结果，并进行排序，取排名前十的词语作为标签。

由图4可以标签提取主要包括三个步骤，首先是数据源处理，本发明通过调用多种搜索引擎的接口，并对其结果进行融合，然后抽取每条结果中的标题和摘要进行分析；然后获取利用改进的TextRank算法，计算每条结果中的TextRank值，取得分最高的前五个作为候选关键词；最后对所有结果进行合并，取得分最高的词作为标签。