[发明专利]基于语义信息的主题识别方法与主题演化路径构建方法

权利要求书

1.基于语义信息的主题识别方法，其特征在于，所述基于语义信息的主题识别方法包括以下步骤：

步骤1，采集包含公众诉求的文本数据并对文本数据进行分词；

步骤2，统计步骤1分词结果中的核心词汇数量，得到核心词汇折线序列，L＝{l₁，l₂，...l_m}，l_t表示时间点t的核心词汇数量，1≤t≤m，m为单位时间的总个数；

步骤3，将核心词汇折线序列L＝{l₁，l₂，...l_m}绘制成一条核心词汇数量序列折线，并按时间进行区间划分得到时间线段集合L′；

步骤4，利用分段线性表示法对时间线段集合L′进行拟合，得到趋势线C′；

步骤5，确定最优的时间段划分数量opt_hum；

步骤6，构建opt_hum个社会诉求语义信息网络，并将其会合成动态语义关系网络H；

步骤7，识别动态语义关系网络H的社会诉求社区以及主题词。

2.根据权利要求1所述的基于语义信息的主题识别方法，其特征在于：

在所述步骤1中，所述文本数据包括公众寄送的邮件、书信、短信文本；

使用条件随机场CRF对来信标题、来信内容、来信内容、回复单位进行分词得到词汇以及每个词汇的词性，经过滤筛选，保留人名、地名、形容名词的形容词、专有名词以及动词。

3.根据权利要求1所述的基于语义信息的主题识别方法，其特征在于：

所述步骤2包括以下内容：

步骤2.2，移除以非汉字字符开头的无意义的(词汇，词性)对，此处包括由数字开头或者全部为数字的词汇所在的(词汇，词性)对；

步骤2.3，移除只出现一次的(词汇，词性)对，保留其他全部；

步骤2.4，对(词汇，词性)对中包含噪声词汇的(词汇，词性)对进行清洗；

噪声词汇包括机构名称、组织机构名称、头衔、一般书信格式用语、尊称；

步骤2.5，根据文档中语句语义表达，对包含表达含义一致词汇的(词汇，词性)对进行合并处理；

步骤2.6，对步骤2.5处理后的(词汇，词性)对进行词汇修整并得到核心词汇；

步骤2.7，统计每个设定时刻核心词汇出现的频率，按照出现时间绘制核心词汇折线序列，L＝{l₁,l₂,…l_m}。

4.根据权利要求1所述的基于语义信息的主题识别方法，其特征在于：

在所述步骤3中，所述时间线段集合L′为：

L′＝{L′₁，L′₂，…，L′_s，…，L′_m-1}

其中，L′₁表示起始时间为t₁，结束时间为t₂的时间线段，L′₂表示起始时间为t₂，结束时间为t₃的时间线段，基于此种划分规律，直到划分到第m-1个时间线段为止。

5.根据权利要求1所述的基于语义信息的主题识别方法，其特征在于：

在所述步骤4中，趋势线C′满足以下关系式：

其中，表示C′的第i个趋势线段，1≤i≤m-1，线段的开始时间为t_i，结束时间为t_i+1，每条线段间根据分段线性表示法可以划分为多个时间点t_i+1，t_i+2…；r表示线段的总个数；表示在第t_i时刻的核心词数量，C_i表示所有核心词数量的总和。