[发明专利]一种结合视觉分辨难度的文本串权重计算方法及装置

摘要

一种结合视觉分辨难度的文本串权重计算方法和装置，其方法首先构造一个文档集合，统计字符串在文档集合中频率和在单个文档中的频率，以及每个字符在哪些文本串中出现，每个字符的笔画数。然后，切词处理待计算文本串权重的文档，得到一个文本串序列，对每一个文本计算其视觉密度，易识别度，和TF?IDF值。最后，加权相加该文本串的视觉密度、易识别度和TF?IDF值，得到文本串对一个文档的权重，并进一步的得到文本串对文档的归一化权重。该方法使得具有更多信息量，同时容易被用户辨识的词具有更大的权重，在搜索结果中更多展现普通用户容易识别、读懂和理解的视频结果，使得用户能够更快地发现感兴趣的结果。

主权项

1.一种结合视觉分辨难度的文本串权重计算方法，包括如下步骤：构造文档集合并统计词数据步骤S110：构建文档集合，并得到文本串的统计数据，具体包括：文档集合构建子步骤S111：收集视频信息库中的视频标题，从查询日志中随机取出等量的用户输入的查询串，将这两部分文本一起作为下一步要处理的文档集合；数据统计子步骤S112：切分所述文档集合中的每个文档，每个文档经过切分后得到一个文本串序列，统计每个文本串出现在单个文档中的频次、每个文本串出现在文档集合中的总频次，对出现在文本串中的所有汉字统计其笔画数量，如果不是汉字，则按照一画统计；中间权重结果计算步骤S120：对需要计算文本串权重的待测文档D进行切词，得到一个由k个文本串组成的序列，通过如下步骤分别得到几种中间结果权重：TF·IDF值计算子步骤S121：对所述文本串序列中的文本串Ti采用公式（1）计算其TF·IDF值，其中1≤i≤k, 公式（1），其中，N为文档集合中文档数量，ND(Ti)为文本串Ti在待测文档D中出现的次数，N(Ti)为文档集合中含有文本串Ti的文档数量；视觉密度计算子步骤S122：对所述文本串序列中的文本串Ti，采用公式（2）计算其视觉密度：公式（2），其中，文本串Ti含有m个字符，BH(Cj)为Ti中第j个字符Cj的笔画数, 1≤j≤m，f₁和f_m为调权因子； 易识别度计算子步骤S123：利用公式（3）计算文本串Ti的易识别度：公式（3），m表示文本串Ti含有m个字符，CF(Cj)表示字符Cj易识别度，对文本串Ti中的首尾字符利用调权因子y₁和y_m进行调权，字符C易识别度CF(C)通过公式（4）计算得到：公式（4），CWF为字符C在整个文档集合中不同的文本串中出现的次数，TCl表示在整个文档集合中含有字符C的第l个文本串，BH(C)为字符C的笔画数，u为最易识别单字的笔画数，f为调权因子，IDF(TCl)为含有字符C的全体文档集合中含有字符C的第l个文本串的逆文档频率，通过公式（5）计算得到：公式（5），N为文档集合中文档数量，N(Tl)为文档集合中含有文本串Tl的文档数量；综合权重计算步骤S130：利用中间权重结果，采用公式（6）计算文本串Ti相对待测文档D的权重，公式（6）其中，为TF·IDF值权重调权因子，为文本串视觉分辨难度调权因子；归一化权重计算步骤S140：将待测文档D中的文本串Ti的权重利用公式（7）进行归一化，得到文本串Ti的归一化权重，公式（7）。