[发明专利]一种基于语义分析的文本关键信息提取方法及装置

摘要

本发明公开了一种基于语义分析的文本关键信息提取方法及装置，不限制搭配成词的原词语数目，用以发现文本中可表征明确含义的候选字符串，解决了词典依赖及只能提取词语的问题。相对于传统的权重计算方法，通过分析文本特点，发现上下文语义信息丰富度可以反映出字符串表达意图能力的强弱，因此，在字符串权重计算公式中加入外部丰富度影响因子，不仅考虑了字符串本身特点，也考虑了字符串外部上下文的环境，有效地补充了指标体系，提高了结果准确性。

主权项

1.一种基于语义分析的文本关键信息提取方法，其特征在于，包括：将待处理文本以汉字为单位进行分割，形成字串c1,c2,…,ci,ci+1,…,cn，其中，ci表征一个汉字，n为所述文本中汉字总数；计算相邻的任意两个所述汉字ci,ci+1的点间互信息、左邻信息熵和右邻信息熵；若所述点间互信息、左邻信息熵和右邻信息熵均满足预设阈值1，则合并两个汉字为一个字符串；直到无法对所述文本中相邻汉字进行合并为止，所述文本的划分结果为T:t1,t2,…,tk,…,tm，其中，tk为字、词、短语或短句的字符串，m为所述文本中字、词、短语或短句的字符串的总数；取所述tk中长度大于1且不属于停止词的字、词、短语或短句的字符串，作为候选字符串，计算各个候选字符串的权重；将所述权重大于预设阈值2的若干个所述候选字符串作为所述文本的关键信息。