[发明专利]一种基于主题模型的本体学习方法、系统、装置及介质

权利要求书

1.一种基于主题模型的本体学习方法，其特征在于，包括以下步骤：

获取文档数据集，对所述文档数据集进行预处理；

从经过预处理的所述文档数据集中抽取核心概念的种子术语集；

根据种子术语集和经过预处理的文档数据集，采用半监督方式对主题模型进行训练；

从训练好的主题模型中获取主题词汇矩阵，根据主题词汇矩阵获取多个术语簇，每个所述术语簇对应一个核心概念，完成本体的自动学习；

当所述文档数据集中的文档设有标签，从经过预处理的所述文档数据集中抽取核心概念的种子术语集，包括：

设包含名词词组w的文档集合为C^w，不包含名词词组w的文档集合为在C^w中被标注为核心概念CC_k的文档数量为a，没有标注为核心概念CC_k的文档数量为e；

在中被标注为核心概念CC_k的文档数量为b，没有标注为核心概念CC_k的文档数量为d；

采用以下公式计算名词词组w对于核心概念CC_k的重要度：

其中，N为数据集中所有的文档数量；

为每个核心概念CC_k选取重要度排名前L个名词词组作为所述核心概念CC_k的种子术语；

采用以下方式选取重要度排名前L个名词词组：

计算名词词组w与所有核心概念的信息增益值，获得K个信息增益值IG_w＝[ig_w，1，...，ig_w，K]；

选择核心概念CC_k作为名词词组w的核心概念，其中，选择条件满足ig_w，k为最大的信息增益值，ig_w，k为名词词组w在核心概念CC_k下的重要度；获取每个名词词组的核心概念，以及记录名词词组和核心概念对应的重要度；对于每个核心概念，选取重要度最高的L个名词词组作为所述核心概念的种子术语。

2.根据权利要求1所述的一种基于主题模型的本体学习方法，其特征在于，对所述文档数据集进行预处理，包括：

对所述文档数据集进行数据清洗；

对所述文档数据集中的文档拆分成多个句子，将所述句子拆分成多个词汇；

对所述词汇进行标注，并抽取名词词组；

其中，每个名词词组之间的词汇用下划线连接。

3.根据权利要求2所述的一种基于主题模型的本体学习方法，其特征在于，对所述文档数据集进行数据清洗，包括：

去掉所述文档数据集中的HMTL标签和URL；

将所述文档数据集中的文档的编码统一成UTF-8的标准；

去掉所述文档数据集中的乱码文字和非英文字词，获得预处理后的文档数据集。

4.根据权利要求1所述的一种基于主题模型的本体学习方法，其特征在于，采用吉布斯采样来训练所述主题模型，以学习词汇和隐主题的联合分布。

5.根据权利要求1所述的一种基于主题模型的本体学习方法，其特征在于，所述主题词汇矩阵为K×W的矩阵，所述主题词汇矩阵的元素通过以下公式计算获得：

其中代表采样在主题k下的词汇的数量；对于所有的种子术语，直接划分到对应的核心概念的术语簇中；

对于其他的名词词组w而言，将名词词组w划分到核心概念CC_k下的术语簇中，其中：

获得K个术语簇，每个所述术语簇对应一个核心概念。