[发明专利]一种科技文献检索意图构建方法

说明书

本发明公开了一种科技文献检索意图构建方法，包括对文献主题聚类进行可视化，并给出主题关键词供用户交互选择。通过word2vec向量查询用户选择详尽的前五相似概念，并提供给用户交互选择。本发明所提供的基于词表模型的用户检索意图判断方法充分挖掘了用户输入中包含的意图信息并利用了词表模型中的语义关联，通过分析用户检索请求之间的语义关联分析用户可能的检索意图，并在此基础上构建检索式，进行二次精确检索。

技术领域

本发明涉及自然语言处理及信息提取领域，具体涉及一种科技文献检索意图构建方法，应用于科技文献精准检索式的构建。

背景技术

科技文献检索是用户获取文献的主要途径。各科技文献出版机构，如Web ofKnowledge、Springer、Elsevier等都为用户提供了功能强大的文献检索工具。科研人员进入某一新的科研领域通常需要检索并阅读大量权威文献，从而掌握该领域的研究现状。在对某一新领域知识缺乏的情况下，用户对某一新的科研领域进行文献检索时，面临两个方面的问题。一是用户难以判断检索到的成百上千篇文献与目标领域的相关程度，用户获取的检索结果严重信息过剩。检索结果需要进一步精炼。二是用户需要高效地对检索结果文献进行分析判读，在较短时间内厘清该领域的研究现状。

目前，国内外的科技文献出版商提供的文献分析工具仅对文献进行了简单的文献统计学分析，如文章被引、发文数量、发文年份统计等。未能解决用户对文章内容分析的需求。因此，在用户检索结果的基础上，需要一种能进一步对检索结果分析和信息提取，辅助用户精炼检索意图，进行二次检索的方法。

发明内容

本发明的目的在于提供一种科技文献检索意图构建方法。为了实现本发明的上述目的，特采用以下技术方案：

本发明包括以下步骤：

S10获取用户检索请求，采集检索元数据，并以纯文本形式输出带摘要的检索结果；

S20对所述元数据进行预处理工作；

S30对所述元数据的论文摘要进行LDA主题聚类分析和建立word2vec模型；

S40对所述主题聚类进行可视化，并给出主题关键词供用户交互选择，通过word2vec向量查询用户选择详尽的前五相似概念，并提供给用户交互选择；

S50构建用户检索意图树：判断相邻词汇在词表模型中的结构关系，利用结构关系信息，判断用户意图，以主题聚类为一级概念，用户选择主题词及相近概念为二级概念保存意图树；

S60通过用户检索意图树构建检索式形成用户意图量化表达,所述检索式的生成在不同主题间以OR(或)逻辑连接，同一主题内以AND连接，且按照语法规则使用括号，依据Web of Science的检索式语法规则生成检索式。

具体地，所述预处理工作包括完成词干化、去停用词、清除无效字符和短语识别步骤。

进一步地，所述主题聚类分析为一种三层贝叶斯模型，三层分别为：文档层、主题层和词层，该模型基于如下假设：

1)整个文档集合中存在k个互相独立的主题；

2)每一个主题是词上的多项分布；

3)每一个文档由k个主题随机混合组成；

4)每一个文档是k个主题上的多项分布；

5)每一个文档的主题概率分布的先验分布是Dirichlet分布；

6)每一个主题中词的概率分布的先验分布是Dirichlet分布。

具体地，所述主题聚类分析分别以5、10、15、20不同的主题数量计算coherence值，以获得最佳的主题数量。