[发明专利]一种基于图的专利搜索日志中同义词集自动挖掘方法

说明书

技术领域

本发明属于中文信息处理技术领域，具体涉及一种基于图的专利搜索日志中同义词集自动挖掘方法。

背景技术

同义词集是自然语言处理的一项基础研究，在机器翻译、查询扩展、信息检索等领域都有重要作用。目前存在的同义词资源大多数是通过手工或半手工构建的，这些资源的准确率虽高但是花费了大量的人力物力，而且存在词典的质量容易受到人主观因素的干扰、不能真实反映词汇在大规模语料中的用法、不能及时更新等缺点。因此，基于大规模语料库的同义词自动挖掘工作显得尤为重要。

发明内容

针对上述现有技术中存在的问题，本发明的目的在于提供一种可避免出现上述技术缺陷的基于图的专利搜索日志中同义词集自动挖掘方法。

为了实现上述发明目的，本发明采用的技术方案如下：

一种基于图的专利搜索日志中同义词集自动挖掘方法，包括以下步骤：

步骤1)基于专利搜索日志进行候选同义词集挖掘，抽取出专利搜索日志中的候选同义词集，并将获得的候选同义词集放在同一行中；

步骤2)将所述候选同义词集构成知识图；

步骤3)通过分割语料、加重对称共现边、加重三角形、惩罚音节不等四种方法改进知识图边权重计算，调节所述知识图的知识图边权重；

步骤4)利用Newman聚类算法对知识图进行聚类，将聚在同一类中的候选同义词对作为同义词集。

进一步地，所述知识图由顶点和边构成，每一个词视为一个顶点，两个词之间的联系视为一条边，词对在专利搜索日志中共现的次数作为边的权值；所述知识图是一个有向图，边的方向代表候选同义词词对中的两个词的组合顺序。

进一步地，所述分割语料方法的具体步骤为：

将日志语料分为多个子语料，利用所述步骤1)的基于专利搜索日志的候选同义词挖掘方法，挖掘出每个子语料中的候选同义词。

进一步地，所述加重对称共现边方法具体步骤为：将对称共现边的权值放大，使其在图中的作用加强。所述权值的计算公式如下：

weight＝δ*min(Time(w_i，w_j)，Time(w_j，w_i))，其中，δ为大于1的数。

进一步地，所述加重三角形方法的具体步骤为：

把由三个子图构成的图形看成一个团，通过改变团中边的权重因子对候选同义词进行聚类；

进一步地，所述惩罚音节不等方法的步骤为：减小一个词对中两个词的音节数相差很大的词对的权重因子。

进一步地，所述惩罚音节不等方法的步骤具体为：将音节严重不等的词对的权重因子降低为原来的ε倍，其中ε为小于1的数。。

本发明提供的基于图的专利搜索日志中同义词集自动挖掘方法，根据专利搜索日志中同义词出现的特点挖掘出候选同义词集，并且通过分割语料、加重对称共现边、加重三角形和惩罚音节不等四种方法改进知识图边权重计算，最后结合Newman算法对知识图进行聚类，有效地提高了同义词集自动挖掘的准确率，实现了专利搜索日志中同义词集的自动挖掘工作，可以很好地满足实际应用的需要。

附图说明

图1为本发明的流程图；

图2为已处理的专利搜索日志的示例图；

图3为表1中的候选同义词词对构成的有向知识图；

图4为三角形知识图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，基于图的专利搜索日志中同义词集自动挖掘方法包括以下步骤：

步骤1)基于专利搜索日志进行候选同义词集挖掘，抽取出专利搜索日志中的候选同义词集，并将获得的候选同义词集放在同一行中；

步骤2)将所述候选同义词集构成知识图；

步骤3)通过分割语料、加重对称共现边、加重三角形、惩罚音节不等四种方法改进知识图边权重计算，调节所述知识图的知识图边权重；

步骤4)利用Newman聚类算法对知识图进行聚类，将聚在同一类中的候选同义词对作为同义词集。

具体地：