[发明专利]文本信息检索装置以及文本信息检索方法

权利要求书

1.一种文本信息检索装置，其特征在于，

具备：

文章分词部，将资源文本信息和用户兴趣文本信息中的文档内容切成一个个独立的词语；

第一特征提取部，使用从资源文本信息中被所述文章分词部切分出的词语，提取出资源文本的第一特征参数；

第二特征提取部，使用从用户兴趣文本信息中被所述文章分词部切分出的词语，提取出表现用户兴趣的第二特征参数；

文本分类部，用第二特征参数和分类参数对用户兴趣文本进行分类；

用户模板制作部，基于所述文本分类部中的分类，将所述第二特征参数分为两组或两组以上的分类，制作反映用户兴趣的用户模板；

文本信息联想检索部，按照每个分类计算出所述第一特征参数与在所述用户模板中的所述第二特征参数之间的相似度，并基于该计算出的相似度的大小来检索文本信息，给出检索结果；

语义相似网制作部，制作用来记录从语义相似网训练文本集被文章分词部切分出的词语之间的共现频率、平均距离、相似度、上下位关系的语义相似网；

特征向量扩展部，从所述语义相似网中选择与所述第二特征参数中的特征词相似度高的词语，以该被选择的相似度高的词语为基础，对用户模板的第二特征参数进行扩展，

所述用户模板制作部基于文本分类部的分类，将所述被扩展的第二特征参数分为两组或两组以上的分类，制作反映用户兴趣的用户模板，

所述特征向量扩展部按照以下公式(3)计算在语义相似网中所含的词语w_s的权重RealWeight(w_s)，当该w_s的权重RealWeight(w_s)大于规定的权重阈值时，从语义相似网中选择该词语w_s，

RealWeight(w_s)＝RealWeight(w_o)×Sim(w_o，w_s)(3)

其中，w_o和RealWeight(w_o)是在所述第二特征提取部中提取出的词语w_o以及该词语w_o的特征权重，Sim(w_o，w_s)是词语w_o和词语w_s的相似度，该相似度Sim(w_o，w_s)由以下公式(4)计算得到，

Sim(w_o，w_s)＝α×Sim_lexical(w_o，w_s)+β×Sim_statistic(w_o，w_s)(4)

其中，“α”和“β”是比例系数，满足如下关系：

α，β∈(0，1)，且α+β＝1

Sim_lexical(w_o，w_s)由以下公式算出，

Simlexical(wo,ws)=1-depth2(4maxDepth2+δ)]]>

其中，depth是词语w_o和词语w_s在语义树中的路径距离，maxDepth为语义树的最大深度，δ为调整参数，

Sim_statistic(w_o，w_s)由以下公式算出，

Simstatistic(wo,ws)=(co_freqwows×αdist(wo,ws)‾+α/Entropy(ws)]]>

其中，为词语w_o和词语w_s在设定范围内的共现频率，为词语w_o和词语w_s的平均共现距离，α为调整参数，

其中，Entropy(w_s)由以下公式算出，

Entropy(ws)=-ΣiP(vi/ws)log(P(vi/ws))]]>

这里，P(v_i/w_s)为语义相似网训练文本集中词语w_s出现的条件下，出现类别v_i的概率。