取預(yù)定數(shù)量的分詞作為所述 目標(biāo)文檔的主題詞。
[0077] W上結(jié)合附圖詳細(xì)描述了本發(fā)明的優(yōu)選實施方式，但是，本發(fā)明并不限于上述實 施方式中的具體細(xì)節(jié)，在本發(fā)明的技術(shù)構(gòu)思范圍內(nèi)，可W對本發(fā)明的技術(shù)方案進(jìn)行多種簡 單變型，運(yùn)些簡單變型均屬于本發(fā)明的保護(hù)范圍。
[0078] 此外，盡管在附圖中W特定順序描述了本發(fā)明方法的操作，但是，運(yùn)并非要求或者 暗示必須按照該特定順序來執(zhí)行運(yùn)些操作，或是必須執(zhí)行全部所示的操作才能實現(xiàn)期望的 結(jié)果。附加地或備選地，可W省略某些步驟，將多個步驟合并為一個步驟執(zhí)行，和/或?qū)⒁粋€ 步驟分解為多個步驟執(zhí)行。
[0079] 本領(lǐng)域技術(shù)人員知道，本發(fā)明的實施方式可W實現(xiàn)為一種系統(tǒng)、裝置、設(shè)備、方法 或計算機(jī)程序產(chǎn)品。因此，本發(fā)明的實施方式可W具體實現(xiàn)為W下形式，即：完全的硬件、完 全的軟件(包括固件、駐留軟件、微代碼等），或者硬件和軟件結(jié)合的形式。
[0080] 另外需要說明的是，在上述【具體實施方式】中所描述的各個具體技術(shù)特征，在不矛 盾的情況下，可W通過任何合適的方式進(jìn)行組合。為了避免不必要的重復(fù)，本發(fā)明對各種可 能的組合方式不再另行說明。
[0081] 此外，本發(fā)明的各種不同的實施方式之間也可W進(jìn)行任意組合，只要其不違背本 發(fā)明的思想，其同樣應(yīng)當(dāng)視為本發(fā)明所公開的內(nèi)容。
【主權(quán)項】
1. 一種文檔主題詞提取方法，其特征在于，所述方法包括： 對目標(biāo)文檔進(jìn)行分詞處理，其中，所述目標(biāo)文檔為文檔庫中的任一文檔； 針對同一分詞，根據(jù)該分詞在所述目標(biāo)文檔中每次出現(xiàn)時的分詞屬性，獲取與所述分 詞屬性相對應(yīng)的權(quán)值，并根據(jù)所述權(quán)值，確定該分詞在所述目標(biāo)文檔中的詞頻權(quán)重； 基于所述文檔庫，確定所述分詞的逆向文檔頻率； 基于所述詞頻權(quán)重和所述逆向文檔頻率，提取預(yù)定數(shù)量的分詞作為所述目標(biāo)文檔的主 題詞。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取與所述分詞屬性相對應(yīng)的權(quán)值， 包括： 判斷所述分詞屬性是否滿足多個預(yù)設(shè)條件中的至少一個預(yù)設(shè)條件； 在所述分詞屬性不滿足任一預(yù)設(shè)條件時，獲取預(yù)設(shè)的基準(zhǔn)權(quán)值作為與所述分詞屬性相 對應(yīng)的權(quán)值。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取與所述分詞屬性相對應(yīng)的權(quán)值， 還包括： 在所述分詞屬性滿足至少一個預(yù)設(shè)條件時，獲取所述分詞屬性所滿足的各個預(yù)設(shè)條件 所對應(yīng)的權(quán)值，并將獲取到的各個預(yù)設(shè)條件所對應(yīng)的權(quán)值的乘積作為與所述分詞屬性相對 應(yīng)的權(quán)值。4. 根據(jù)權(quán)利要求2或3所述的方法，其特征在于，所述分詞屬性包括分詞位置、字體樣 式、字體號和分詞內(nèi)容；以及，所述多個預(yù)設(shè)條件包括:分詞位置位于段首;分詞位置位于標(biāo) 題;分詞的字體樣式為粗體;分詞的字體樣式為斜體;分詞的字體號大于常規(guī)字體號；分詞 的字體號小于常規(guī)字體號;分詞內(nèi)容與預(yù)設(shè)的干擾詞內(nèi)容相匹配。5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述分詞位置位于段首這一預(yù)設(shè)條件所對 應(yīng)的權(quán)值、所述分詞位置位于標(biāo)題這一預(yù)設(shè)條件所對應(yīng)的權(quán)值、所述分詞的字體樣式為粗 體這一預(yù)設(shè)條件所對應(yīng)的權(quán)值、所述分詞的字體樣式為斜體這一預(yù)設(shè)條件所對應(yīng)的權(quán)值、 以及所述分詞的字體號大于常規(guī)字體號這一預(yù)設(shè)條件所對應(yīng)的權(quán)值大于所述基準(zhǔn)權(quán)值；以 及 所述分詞的字體號小于常規(guī)字體號這一預(yù)設(shè)條件所對應(yīng)的權(quán)值、所述分詞內(nèi)容與預(yù)設(shè) 的干擾詞內(nèi)容相匹配這一預(yù)設(shè)條件所對應(yīng)的權(quán)值小于所述基準(zhǔn)權(quán)值。6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，通過以下方式來確定該分詞在所述目標(biāo)文 檔中的詞頻權(quán)重：其中，TFW表示分詞的詞頻權(quán)重;Wn表示該分詞在所述目標(biāo)文檔中第η次出現(xiàn)時的分詞屬 性所對應(yīng)的權(quán)值;Ν表示該分詞在所述目標(biāo)文檔中的總出現(xiàn)次數(shù)；I表示所述目標(biāo)文檔中的 分詞總數(shù)。7. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述詞頻權(quán)重和所述逆向文檔頻 率，提取預(yù)定數(shù)量的分詞作為所述目標(biāo)文檔的主題詞，包括： 計算所述分詞的詞頻權(quán)重與逆向文檔頻率的乘積； 按照所述詞頻權(quán)重與所述逆向文檔頻率的乘積從大到小的順序，提取預(yù)定數(shù)量的分詞 作為所述目標(biāo)文檔的主題詞。8. -種文檔主題詞提取裝置，其特征在于，所述裝置包括： 分詞處理模塊，被配置為對目標(biāo)文檔進(jìn)行分詞處理，其中，所述目標(biāo)文檔為文檔庫中的 任一文檔； 權(quán)值獲取模塊，被配置為針對同一分詞，根據(jù)該分詞在所述目標(biāo)文檔中每次出現(xiàn)時的 分詞屬性，獲取與所述分詞屬性相對應(yīng)的權(quán)值； 詞頻權(quán)重確定模塊，被配置為根據(jù)所述權(quán)值，確定該分詞在所述目標(biāo)文檔中的詞頻權(quán) 重； 逆向文檔頻率確定模塊，被配置為基于所述文檔庫，確定所述分詞的逆向文檔頻率； 主題詞提取模塊，被配置為基于所述詞頻權(quán)重和所述逆向文檔頻率，提取預(yù)定數(shù)量的 分詞作為所述目標(biāo)文檔的主題詞。9. 根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述權(quán)值獲取模塊包括： 判斷子模塊，被配置為判斷所述分詞屬性是否滿足多個預(yù)設(shè)條件中的至少一個預(yù)設(shè)條 件； 第一權(quán)值獲取子模塊，被配置為在所述分詞屬性不滿足任一預(yù)設(shè)條件時，獲取預(yù)設(shè)的 基準(zhǔn)權(quán)值作為與所述分詞屬性相對應(yīng)的權(quán)值。10. 根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述權(quán)值獲取模塊還包括： 第二權(quán)值獲取子模塊，被配置為在所述分詞屬性滿足至少一個預(yù)設(shè)條件時，獲取所述 分詞屬性所滿足的各個預(yù)設(shè)條件所對應(yīng)的權(quán)值，并將獲取到的各個預(yù)設(shè)條件所對應(yīng)的權(quán)值 的乘積作為與所述分詞屬性相對應(yīng)的權(quán)值。11. 根據(jù)權(quán)利要求9或10所述的裝置，其特征在于，所述分詞屬性包括分詞位置、字體樣 式、字體號和分詞內(nèi)容；以及，所述多個預(yù)設(shè)條件包括:分詞位置位于段首;分詞位置位于標(biāo) 題;分詞的字體樣式為粗體;分詞的字體樣式為斜體;分詞的字體號大于常規(guī)字體號；分詞 的字體號小于常規(guī)字體號;分詞內(nèi)容與預(yù)設(shè)的干擾詞內(nèi)容相匹配。12. 根據(jù)權(quán)利要求11所述的裝置，其特征在于，所述分詞位置位于段首這一預(yù)設(shè)條件所 對應(yīng)的權(quán)值、所述分詞位置位于標(biāo)題這一預(yù)設(shè)條件所對應(yīng)的權(quán)值、所述分詞的字體樣式為 粗體這一預(yù)設(shè)條件所對應(yīng)的權(quán)值、所述分詞的字體樣式為斜體這一預(yù)設(shè)條件所對應(yīng)的權(quán) 值、以及所述分詞的字體號大于常規(guī)字體號這一預(yù)設(shè)條件所對應(yīng)的權(quán)值大于所述基準(zhǔn)權(quán) 值；以及 所述分詞的字體號小于常規(guī)字體號這一預(yù)設(shè)條件所對應(yīng)的權(quán)值、所述分詞內(nèi)容與預(yù)設(shè) 的干擾詞內(nèi)容相匹配這一預(yù)設(shè)條件所對應(yīng)的權(quán)值小于所述基準(zhǔn)權(quán)值。13. 根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述詞頻權(quán)重確定模塊被配置為通過以 下方式來確定該分詞在所述目標(biāo)文檔中的詞頻權(quán)重：其中，TFW表示分詞的詞頻權(quán)重;Wn表示該分詞在所述目標(biāo)文檔中第η次出現(xiàn)時的分詞屬 性所對應(yīng)的權(quán)值;Ν表示該分詞在所述目標(biāo)文檔中的總出現(xiàn)次數(shù)；I表示所述目標(biāo)文檔中的 分詞總數(shù)。14.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述主題詞提取模塊包括： 計算子模塊，被配置為計算所述分詞的詞頻權(quán)重與逆向文檔頻率的乘積； 主題詞提取子模塊，被配置為按照所述詞頻權(quán)重與所述逆向文檔頻率的乘積從大到小 的順序，提取預(yù)定數(shù)量的分詞作為所述目標(biāo)文檔的主題詞。
【專利摘要】本發(fā)明公開了一種文檔主題詞提取方法及裝置。所述方法包括：對目標(biāo)文檔進(jìn)行分詞處理，其中，所述目標(biāo)文檔為文檔庫中的任一文檔；針對同一分詞，根據(jù)該分詞在所述目標(biāo)文檔中每次出現(xiàn)時的分詞屬性，獲取與所述分詞屬性相對應(yīng)的權(quán)值，并根據(jù)所述權(quán)值，確定該分詞在所述目標(biāo)文檔中的詞頻權(quán)重；基于所述文檔庫，確定所述分詞的逆向文檔頻率；基于所述詞頻權(quán)重和所述逆向文檔頻率，提取預(yù)定數(shù)量的分詞作為所述目標(biāo)文檔的主題詞。由此使得所提取出的主題詞具有更高的準(zhǔn)確性和可靠性，能夠更客觀地表示該文檔的中心思想，從而能夠為后續(xù)的文檔分類、文檔推薦等提供準(zhǔn)確、可靠的數(shù)據(jù)支持，使得文檔分類結(jié)果更為準(zhǔn)確、文檔推薦結(jié)果更符合用戶需求等等。
【IPC分類】G06F17/27
【公開號】CN105630769
【申請?zhí)枴緾N201510990608
【發(fā)明人】趙博
【申請人】東軟集團(tuán)股份有限公司
【公開日】2016年6月1日
【申請日】2015年12月24日