[发明专利]文本相似性分析方法、装置、电子设备及计算机存储介质

说明书

本申请涉及文本处理领域，公开了一种文本相似性分析方法、装置、电子设备及计算机可读存储介质，其中，文本相似性分析方法包括：确定目标文本的第一预设个数的基础特征词；接着基于训练后的文本词向量库，对第一预设个数的基础特征词分别进行扩展，得到各基础特征词分别对应的第二预设个数的扩展词；接着基于各基础特征词、各扩展词以及各个词的权重值，从预设文本数据库中确定目标文本的相似文本。本申请实施例的方法，极大扩充了抽取到的能够表征目标文本的专业性词汇的数量，有效提高表征目标文本的文本特征词频的统计特性，能够快速、准确地从预设文本数据库中甄选出目标文本的相似专利，极大提高专利相似性分析的准确度。

技术领域

本申请涉及身份识别技术领域，具体而言，本申请涉及一种文本相似 性分析方法、装置、电子设备及计算机存储介质。

背景技术

文本(例如论文文本、专利文本)作为自然语言的载体，通常以一种 非结构化或半结构化的形式存在。随着计算机互联网络技术的飞速发展， 文本相似性分析在许多领域有着广泛的应用，例如，在信息检索、文本分 类、文本聚类及自动问答等领域中，文本相似性分析更是一项基础而又重 要的工作。

以专利文本为例，在进行专利相似性分析的过程中，需要先将非结构 化的专利文本转化为便于计算机识别处理的结构化信息，再对该结构化信 息进行特征提取，并依据提取的特征进行专利的相似性分析。其中，常用 的专利相似性分析方法包括专利语义分析法、专利树及文本挖掘等方法， 虽然这些方法在分析质量方面已有一定改善，但是在专利的相似性分析过 程中，依然存在相似性分析准确度低的问题。

发明内容

本申请的目的旨在至少能解决上述的技术缺陷之一，特别是相似性分 析准确度低的技术缺陷。

第一方面，提供了一种文本相似性分析方法，包括：

确定目标文本的第一预设个数的基础特征词；

基于训练后的文本词向量库，对第一预设个数的基础特征词分别进行 扩展，得到各基础特征词分别对应的第二预设个数的扩展词；

基于各基础特征词、各扩展词以及各个词的权重值，从预设文本数据 库中确定目标文本的相似文本。

第二方面，提供了一种文本相似性分析装置，包括：

第一确定模块，用于确定目标文本的第一预设个数的基础特征词；

扩展模块，用于基于训练后的文本词向量库，对第一预设个数的基础 特征词分别进行扩展，得到各基础特征词分别对应的第二预设个数的扩展 词；

第二确定模块，用于基于各基础特征词、各扩展词以及各个词的权重 值，从预设文本数据库中确定目标文本的相似文本。

第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储 器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述 的文本相似性分析方法。

第四方面，提供了一种计算机可读存储介质，计算机可读存储介质上 存储有计算机程序，该程序被处理器执行时实现上述的文本相似性分析方 法。