The invention discloses a topic keyword extraction method based on topic word vector and network structure, and specifically relates to the technical field of extracting keyword from text. The topic keyword extraction method based on the topic word vector and the network structure is based on the LDA topic model to cluster the text corpus, and obtains 100 keywords in each topic with the subject correlation degree of Top100; each word in the text corpus is represented as a word vector by word2vec, and every two is obtained by calculation. The semantic similarity between words can be used to calculate the semantic similarity top5 of each keyword in the keyword, the key words and the words of each keyword in semantic similarity top5 to form a new keyword set; construct the keyword network and get the word of each set top 20 as the key word of the subject. This method can not only extract key words with high word frequency, but also effectively find keywords with low word frequency but strong themes.
【技术实现步骤摘要】
一种基于主题词向量和网络结构的主题关键词提取方法
本专利技术涉及从文本中提取关键词
,具体涉及一种基于主题词向量和网络结构的主题关键词提取方法。
技术介绍
随着表示学习技术在自然语言处理领域广泛应用,应用word2vec进行词语的向量表示,能够很好的描述和获取词语的语义及语法规则,同时,主题模型能够很好的解释文档层级的主题聚集情况。因此,目前融合主题模型及主题关键字的词向量表示的研究越来越广泛。LDA主题模型:在提出的各种主题模型中,LDA是能够概括主题分布的生成模型。LDA是一个三级分层的贝叶斯模型,其中集合的每个项目被建模为潜在的主题集合上的有限混合,相反,每个主题也被模拟为一组潜在的主题概率的无限混合。在文本建模的上下文中,主题概率提供了文档的显示表示。LDA的建模过程可以被描述为每个资源(即P(z|d))找到对应的主题混合,每个主题由另一概率分布(即P(t|z))来描述。这可以被形式化地表示为:其中,P(ti|d)是给定文档d的第i项上的概率,zi是潜在主题。P(ti|zj=j)是主题j中ti的概率。P(zj=j|d)是文档在主题j上的概率。潜在主题的Z的数量必须提前定义。LDA使用Dirichlet先验分布和确定的主题数来从未标记的语料库中估计主题词分布P(t|z)和文档主题分布P(z|d)。LDA是使用范围很广的主题模型,多数其他的主题模型都是基于LDA进行扩展。但从整体来看LDA抽取的关键词一般过于宽泛,不能较好反映文章主题,因此本专利技术提出的方法是创新的。wordembedding:词嵌入是根据句法和语义信息将每个词编码为连续向量( ...
【技术保护点】
一种基于主题词向量和网络结构的主题关键词提取方法,其特征在于,具体包括:对原始的文本语料进行分词;基于LDA主题模型对文本语料进行主题聚类,并获得每个主题中与该主题相关度为top100的关键词集合KeywordsSet1={k1,...,k100};利用word2vec将文本语料中的每个词表示为一个词向量,通过计算词向量之间的余弦值获得每两个词之间的语义相似度;分别计算出与关键词集合KeywordsSet1中的每个关键词在语义上相似度top5的词,关键词集合KeywordsSet1中的词及其在语义上相似度top5的词共同组成新的关键词集合KeywordsSet2;以关键词集合KeywordsSet2中的每个关键词为节点,词与词之间的语义相似度的倒数为边的权重,构建关键词网络,并根据每个节点的PageRank值获得关键词集合KeywordsSet2中top20的词作为该主题的关键词,构成最终的关键词集合KeywordsSetfinal。
【技术特征摘要】
1.一种基于主题词向量和网络结构的主题关键词提取方法,其特征在于,具体包括:对原始的文本语料进行分词;基于LDA主题模型对文本语料进行主题聚类,并获得每个主题中与该主题相关度为top100的关键词集合KeywordsSet1={k1,...,k100};利用word2vec将文本语料中的每个词表示为一个词向量,通过计算词向量之间的余弦值获得每两个词之间的语义相似度;分别计算出与关键词集合KeywordsSet1中的每个关键词在语义上相似度top5的词,关键词集合KeywordsSet1中的词及其在语义上相似度top5的词共同组成新的关键词集合KeywordsSet2;以关键词集合KeywordsSet2中的每个关键词为节点,词与词之间的语义相似度的倒数为边的权重,构建关键词网络,并根据每个节点的PageRank值获得关键词集合KeywordsSet2中top20的词作为该主题的关键词,构成最终的关键词集合KeywordsSetfinal。2.如权利要求1所述的一种基于主题词向量和网络结构的主题关键词提取方法,其特征在于,所述分词,即将获取的原始文本分割成词序列以便后续主题聚类和关键词提取,分词的结果作为word2vec的输入时去掉特殊符号;作为LDA的输入时,去掉虚词、无法作为主题关键词的地名以及与主题无关的重复的介词。3.如权利要求1所述的一种基于主题词向量和网络结构的主题关键词提取方法,其特征在于,基于LDA主题模型对文本语料进行主题聚类,在语言建模中使用perplex...
【专利技术属性】
技术研发人员:胡晓慧,李超,曾庆田,戴明弟,赵中英,
申请(专利权)人:山东科技大学,
类型:发明
国别省市:山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。