A text feature selection method based on lexical statistics, text segmentation using word segmentation, matching to stop word operation on the vocabulary stoplist, according to the survey statistics, obtained a series of words and POS position weight value, expectation and variance calculation of feature words in the text collection in the library, all of the above comprehensive factor, construct the objective weighting function and set an appropriate threshold on the characteristics of vocabulary reduction, according to semantic similarity conditions with high similarity of vocabulary, so as to realize the lower dimension of feature words. The present invention than traditional methods of text feature extraction of vocabulary is more accurate and has better application value, to overcome the shortcomings of information gain method, more consistent with the value of experience, to solve the high-dimensional sparse text feature words and synonyms and polysemy problems, the contribution of different words of text thought was obtained. Provide a good theoretical basis for the subsequent text similarity and text clustering.
【技术实现步骤摘要】
本专利技术涉及语义网络
,具体涉及一种基于统计学的文本特征词汇提取方法。
技术介绍
文本特征指的是最能代表文本主旨的词汇集合,文本特征不仅可以很好的概括文本主要内容和主旨,而且可以降低文本处理的复杂程度。前常用的文本特征提取方法,包括词频-反文档频率方法、信息增益等方法。词频-反文档频率方法的简单结构并不能有效地反映词汇或短语的重要程度和特征值的分布情况,所以TF-IDF的精度并不是很高。信息增益方法只适合用来提取一个类别的文本特征,而无法用于提取多个类别的文本特征。上述两种文本特征提取方法没有文本集合或没有事先分好类别,仅仅给出一个文本,那么将无法提取这个文本的特征,这两种方法的优点在于计算速度快,但是计算结果的精度不高。另外上述两种方法会引起高维稀疏的问题以及不知特征词汇集合对文本的重要程度和贡献度。而且,上述算法没有很好地解决文本数据中存在的自然语言问题同义词和多义词。这些问题干扰了文本相似度算法的效率和准确性,使相似度计算的性能下降。为了满足上述需求,本专利技术提供基于统计学的文本特征词汇提取方法。
技术实现思路
针对于特征向量高维稀疏问题、未考虑特征词汇集合对文本的重要程度和贡献度的问题、存在同义词与多义词问题,本专利技术提供了一种基于统计学的文本特征词汇提取方法。为了解决上述问题,本专利技术是通过以下技术方案实现的:步骤1:利用中文分词技术对文本进行分词处理;步骤2:根据停用表对文本词汇进行去停用词处理,得到文本特征词汇集合T=(c1,c2,…,ci,…,cz);步骤3:根据词汇在文本中的位置得到一系列词汇位置权重值(α1,α2,…,αr) ...
【技术保护点】
基于统计学的文本特征词汇提取方法,本专利技术涉及语义网络技术领域,具体涉及一种基于统计学的文本特征词汇提取方法,其特征是,包括如下步骤:步骤1:利用中文分词技术对文本进行分词处理,其具体分词技术过程如下:步骤1.1:根据《分词词典》找到待分词句子中与词典中匹配的词,把待分词的汉字串完整的扫描一遍,在系统的词典里进行查找匹配,遇到字典里有的词就标识出来;如果词典中不存在相关匹配,就简单地分割出单字作为词;直到汉字串为空步骤1.2:依据概率统计学,将待分词句子拆分为网状结构,即得n个可能组合的句子结构,把此结构每条顺序节点依次规定为,其结构图如图2所示步骤1.3:基于信息论方法,给上述网状结构每条边赋予一定的权值,其具体计算过程如下:根据《分词词典》匹配出的字典词与未匹配的单个词,第i条路径包含词的个数为,即n条路径词的个数集合为得在上述留下的剩下的(n‑m)路径中,求解每条相邻路径的权重大小在统计语料库中,计算每个词的信息量,再求解路径相邻词的共现信息量,既有下式:上式为文本语料库中词的信息量,为含词的文本信息量上式为在文本语料库中的概率,n为含词的文本语料库的个数上式为含词的文本数概率 ...
【技术特征摘要】
1.基于统计学的文本特征词汇提取方法,本发明涉及语义网络技术领域,具体涉及一种基于统计学的文本特征词汇提取方法,其特征是,包括如下步骤:步骤1:利用中文分词技术对文本进行分词处理,其具体分词技术过程如下:步骤1.1:根据《分词词典》找到待分词句子中与词典中匹配的词,把待分词的汉字串完整的扫描一遍,在系统的词典里进行查找匹配,遇到字典里有的词就标识出来;如果词典中不存在相关匹配,就简单地分割出单字作为词;直到汉字串为空步骤1.2:依据概率统计学,将待分词句子拆分为网状结构,即得n个可能组合的句子结构,把此结构每条顺序节点依次规定为,其结构图如图2所示步骤1.3:基于信息论方法,给上述网状结构每条边赋予一定的权值,其具体计算过程如下:根据《分词词典》匹配出的字典词与未匹配的单个词,第i条路径包含词的个数为,即n条路径词的个数集合为得在上述留下的剩下的(n-m)路径中,求解每条相邻路径的权重大小在统计语料库中,计算每个词的信息量,再求解路径相邻词的共现信息量,既有下式:上式为文本语料库中词的信息量,为含词的文本信息量上式为在文本语料库中的概率,n为含词的文本语料库的个数上式为含词的文本数概率值,N为统计语料库中文本总数同理为在文本语料库中词的共现信息量,为相邻词共现的文本信息量同理上式为在文本语料库中词的共现概率,m为在文本库中词共现的文本数量为文本库中相邻词共现的文本数概率综上可得每条相邻路径的权值为步骤1.4:找到权值最大的一条路径,即为待分词句子的分词结果,其具体计算过程如下:有n条路径,每条路径长度不一样,假设路径长度集合为假设经过取路径中词的数量最少操作,排除了m条路径,m<n,即剩下(n-m)路径,设其路径长度集合为则每条路径权重为:上式分别为第1,2到路径边的权重值,根据步骤1.4可以一一计算得出,为剩下(n-m)路径中第条路径的长度权值最大的一条路径:步骤2:根据停用表对文本词汇进行去停用词处理,得到文本特征词汇集合,其具体描述如下:停用词是指在文本中出现频率高,但对于文本标识却没有太大作用的单词,去停用词的过程就是将特征项与停用词表中的词进行比较,如果匹配就将该特征项删除,文本特征词汇集合综合分词和删除停用词技术,中文文本预处理过程流程图如图3步骤3:根据词汇在文本中的位置得到一系列词汇位置权重值,其具体描述如下:各个词在文本中的分布是不同的,而不同位置的词对于表示文本内容的能力也是不同的,这个可以根据统计调查得出一系列的位置权重值步骤4:根据词汇在文本中的词性得到一系列词汇词性权重值、、、,其具体描述如下:现...
【专利技术属性】
技术研发人员:金平艳,
申请(专利权)人:四川用联信息技术有限公司,
类型:发明
国别省市:四川;51
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。