[发明专利]一种基于改进TextRank算法的钢材料专利文本中工艺信息抽取方法及其系统

权利要求书

1.一种基于改进TextRank算法的钢材料专利文本中工艺信息抽取方法，其特征在于，包括以下步骤：

步骤A：对钢材料工艺专利文献文本进行预处理，主要包括分词、去停用词以及词性标注，得到初步筛选出的主题词集合w＝{w₁，w₂，...w_n}；

步骤B：计算主题词集合中每个词语的TF*IDF值；首先计算词频TF值，统计w集合中相关词语在文本中出现的次数；再计算逆文档频率IDF值；其中，TF表示主题词集合中每个词语出现的频率值，其中，IDF表示逆文本频率值，由总文本数量除以包含该词语的文本数量，再将得到的商取以10为底的对数得到；

步骤C：将文本预处理后的主题词集合w通过word2vec工具转化为向量表示形式；选用其中的CBOW模型，并用hierarchical softmax方法完成转化，采用n维的词向量表示，得到新的工艺文本主题词集合w_c；

步骤D：增加词位置信息以及合并语义相似词，目的是为了得到最终关键词的排序信息；

步骤E：将待抽取的专利文本以句子为单位进行分离，整个文本的句子集合表示为S＝{s₁，s₂，...s_n}；同时以句子为单位，对每个句子进行同步骤A的预处理工作，并利用步骤C中的Word2vec工具中的CBOW模型将所有词转化为词向量表示，并通过拼接方式构成每个句子的矩阵表示M_n*m，n为词向量维度，m为文本中最大句子长度，不足补零向量；

步骤F：构建改进TextRank算法的图模型，设置初始值进行迭代直至收敛.

步骤G：对步骤F中的所有句子顶点得分进行排序，取topK作为抽取出的工艺关键信息，其中K值为文本所有句子数的10％；并对此K个句子的顺序进行排列，并去除其中的冗余信息，使最终保留的句子具有连贯性；输出最终钢材料专利文本中抽取出的工艺信息。

2.根据权利要求1中所述基于改进TextRank算法的钢材料专利文本中工艺信息抽取方法，其特征在于，所述步骤A包括如下步骤：

步骤A1：分词使用的是效果较好的中文分词工具jieba，对文本中包含的字符进行切分。

步骤A2：根据钢材料领域工艺文本特性总结停用词表，并利用构建好的停用词表去除工艺文本中无用词，这些词主要为介词、助词、连接词等。

步骤A3：使用jieba工具包对工艺文本进行词性标注，去掉文本中所有的非名词，获得工艺文本主题词集合w＝{w₁，w₂，...w_n}。

3.根据权利要求1中所述基于改进TextRank算法的钢材料专利文本中工艺信息抽取方法，其特征在于，所述步骤D包括如下步骤：

步骤D1：文本在抽取词信息的时候，如果当前词语位于句子前部应增加权重信息，根据上步利用CBOW模型得到的词向量得到距离值，将其与位置平均值比较可以得到距离信息，距离句首位置越近权重P_i越大，具体的权重P_i分配公式如下：

将步骤B得到的词的TF-IDF值与权重P_i相乘得到TF-IDF_new作为融合词位置信息的结果；

步骤D2：将步骤C中的集合w_c得到的剩余词利用余弦相似度计算相似性，公式如下：

其中词w_x＝(v₁，v₂，...v_n)、w_y＝(v₁，v₂，...v_n)均为通过步骤C中CBOW模型转化的n维向量表示形式；wordsim(w_x，w_y)的值越大代表词语语义相似度越高，最终去掉语义相似的词语；合并的规则是保留两个词中TF-IDF_new值较大的词；

步骤D3：将剩余词语按TF-IDF_new值排序，根据设定的阈值得到最终该工艺专利文本的主题词集合w，为最终抽取出文本中工艺关键信息提供主题词语义支持。