[发明专利]文档中多主题的关键词提取技术

权利要求书

1.文档中多主题的关键词提取技术，本发明涉及语义网络技术领域，具体涉及文档中多主题的关键词提取技术，其特征是，包括如下步骤：

步骤1：利用中文分词技术对文本进行分词处理，其具体分词技术过程如下：

步骤1.1：根据《分词词典》找到待分词句子中与词典中匹配的词，把待分词的汉字串完整的扫描一遍，在系统的词典里进行查找匹配，遇到字典里有的词就标识出来；如果词典中不存在相关匹配，就简单地分割出单字作为词；直到汉字串为空

步骤1.2：依据概率统计学，将待分词句子拆分为网状结构，即得个可能组合的句子结构，把此结构每条顺序节点依次规定为，其结构图如图2所示

步骤1.3：基于信息论方法，给上述网状结构每条边赋予一定的权值，其具体计算过程如下：

根据《分词词典》匹配出的字典词与未匹配的单个词，第条路径包含词的个数为，即条路径词的个数集合为

得

在上述留下的剩下的路径中，求解每条相邻路径的权重大小

在统计语料库中，计算每个词的信息量，再求解路径相邻词的共现信息量，既有下式：

上式为文本语料库中词的信息量，为含词的文本信息量

上式为在文本语料库中的概率，为含词的文本语料库的个数

上式为含词的文本数概率值，为统计语料库中文本总数

同理

为在文本语料库中词的共现信息量，为相邻词共现的文本信息量

同理

上式为在文本语料库中词的共现概率，为在文本库中词共现的文本数量

为文本库中相邻词共现的文本数概率

综上可得每条相邻路径的权值为

步骤1.4：找到权值最大的一条路径，即为待分词句子的分词结果，其具体计算过程如下：

有条路径，每条路径长度不一样，假设路径长度集合为

假设经过取路径中词的数量最少操作，排除了条路径，，即剩下路径，设其路径长度集合为

则每条路径权重为:

上式分别为第1,2到路径边的权重值，根据步骤1.4可以一一计算得出，为剩下路径中第条路径的长度

权值最大的一条路径:

步骤2：根据停用表对文本词汇进行去停用词处理，得到词汇集，其具体描述如下：

停用词是指在文本中出现频率高，但对于文本标识却没有太大作用的单词，去停用词的过程就是将特征项与停用词表中的词进行比较，如果匹配就将该特

征项删除

综合分词和删除停用词技术,中文文本预处理过程流程图如图3

步骤3：构造相关度函数对上述词汇集进行从大到小排序处理，取前个词语构成一个多主题网络模型，其具体计算过程如下：

利用下列公式，先提取文中信息量最大的词汇作为文本的核心词汇；

上式为文本词汇集合总的个数，为第个词汇在文本出现的次数，为位置权重值，为词性权重值，

再根据对应的词汇作为参考词汇，计算其他词汇与它的相关度，公式如下：

为词汇与核心词汇在文本中同一句话中出现的次数，为词汇在文本中出现的次数，为核心词汇在文本中出现的次数，为词汇与的平均权重值，为词汇在文本中的权重值

上式

提取前位作为文本的特征词汇，即参考词汇与值更大的前位所对应的词汇集合

步骤4：构造目标函数确定不同主题间的连接词；

步骤5：构造叉函数把连接词有效的融入多主题网络模型中，模型图记为。