[发明专利]自动建立关键词索引表的方法

权利要求书

1.一种自动建立关键词索引表的方法，包括：

对待翻译文档进行分词处理获得文档的词语列表，对该词语列表进行词性标注；

过滤所述词语列表中的候选关键词，获得粗候选词语集合，获取所述粗选词语集合中候选关键词各个义项的代码，两个义项的代码距离表征义项的语义距离；

根据词语的语义相似度，对粗选词语集合中候选关键词进行构建同义词词链，得到同义词链集合；

获取所述同义词链集合中词汇的词语权值，按照所述词语权值提取关键词，组成关键词集合；

将所述关键词集合和已有的参考库关键词索引集合比较，如果所述参考库关键词索引集合包含所述关键词集合中的候选关键词，则给出相关文档集；如果不包含所述候选关键词字，将所述候选关键词加入参考库关键词集合，同时建立索引。

2.如权利要求1所述的自动建立关键词索引表的方法，其特征在于，对待翻译文档进行分词处理和词性标注的过程包括：

对待翻译文档进行分词处理，获得文档的所有词语列表；

对该词语列表进行词性标注，将词汇按照停用词、形容词、副词、名形词、成语、简称略语、习用语、动词、动语素、副动词、名动词和名词等词性分类标准进行词性标注。

3.如权利要求1所述的自动建立关键词索引表的方法，其特征在于，过滤候选关键词的过程包括：去除所获词语列表中的停用词，保留形容词、副词、名形词、成语、简称略语、习用语、动词、动语素、副动词、名动词和名词，获得所述粗候选词语集合。

4.如权利要求1所述的自动建立关键词索引表的方法，其特征在于，构建同义词链集合的步骤包括：

计算候选词集合W中的每个词汇在文本中出现的次数t；

根据词汇的t值的大小对W中所有的词汇按降序排列，假设排序后W＝{w₁，w₂，…，w_n}，并为每个词汇设立一个开关项F，F=1表示该词汇已成为某同义词集中的元素，初始全部设为0；

将W中w₁作为第一个词集WG₁的第一个元素，将w_i（2≤i≤n）中F值不为1的词语与w₁按式1进行语义相似度计算，当其语义相似度大于阈值0.7时，认定w_i属于WG₁，将w_i插入词集WG₁中，并将w_i的F值改为1；

按排序将w₁后首个F值不不为1的词语作为词链WG₂的头，重复第3步的算法，得到WG₂；

重复这个过程直到W中所有词汇的F值为1，得到同义词链集合{WG₁，WG₂，...，WG_k}。

5.如权利要求1所述的自动建立关键词索引表的方法，其特征在于，获取所述同义词链集合中词汇的词语权值的过程包括：

根据得到的所述同义词链集合，计算每个同义词集中的元素个数num，及该集合中包含标题词的数目head；

计算每个词汇的位置特征值loc和词性特征值ch；若该词汇出现在标题中loc值为5，若出现在正文中loc值为1，若词汇为名词则ch值为2，其他词汇ch值为1；

获取词汇权重

Weights(w_i)=α×num_i+β×TF_iIDF_i+γ×loc_i+δ×head_i+ε×ch_i

其中，α，β，γ，δ，ε为人为设定的权重调节因子，取值为0～1，且α+β+γ+δ+ε=1，此处设定α=0.45，β=0.25，γ=0.1，δ=0.1，ε=0.1；num_i为词汇w_i所在同义词集的集合个数；loc_i为w_i的位置特征值；head_i为w_i所在同义词集包含标题词的数目；ch_i为w_i的词性特征值。