CN112163421A - 一种基于N-Gram的新型关键词提取方法 - Google Patents
一种基于N-Gram的新型关键词提取方法 Download PDFInfo
- Publication number
- CN112163421A CN112163421A CN202011072560.XA CN202011072560A CN112163421A CN 112163421 A CN112163421 A CN 112163421A CN 202011072560 A CN202011072560 A CN 202011072560A CN 112163421 A CN112163421 A CN 112163421A
- Authority
- CN
- China
- Prior art keywords
- character string
- text
- double
- character
- gram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000002093 peripheral effect Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于N‑Gram的新型关键词提取方法,包含以下步骤:S1,获取用户输入的第一文本;S2,定义N=1,对所述第一文本进行N‑Gram分割,得到单字符合集,计算每个单字符的出现概率;S3,提取所述步骤S1中出现概率最高的第一数量的单字符合集,剔除第一文本中不包含所述单字符合集的句子,得到第二文本;S4,定义N=2;S5,提取所述步骤S4中出现概率最高的第一数量的双字符串合集,剔除第二文本中不包含所述双字符串合集的句子,得到第三文本;S6,对所述双字符串合集进行字符扩展,加入每个双字符串对应所述第三文本中的外围字符,得到多字符串扩展合集,计算并提取出现权重最高的第二数量的多字符串扩展,输出所述多字符串扩展作为关键词。
Description
技术领域
本发明涉及关键词提取领域,具体指有一种基于N-Gram的新型关键词提取方法。
背景技术
关键词是用于表达文献主题内容,也是文本信息最重要、最具有概括性的词汇合集。高质量的关键词有助于被读者检索到与其预期关联性强的文本,并且帮助读者快速、大致地了解某个文本的语义。
在传统的关键词提取方法中,通常采用N-Gram算法对文本进行短语分割,之后计算每个短语出现的概率,简单的通过其概率得到关键词。这样的提取方法存在以下缺陷:
1、采用N-Gram算法通常需要定义N=1、2、3…M,从而将文本划分成单个字符的短语、2个字符的短语、3个字符的短语、…M个字符的短语,其短语数量非常庞大,计算时间长;
2、采用N-Gram算法只能单纯地计算各个短语的出现频率,在大部分文本中,例如“的”、“是”等常用的中文字符出现的概率本身较高,但是其单独包含的信息量少,且与文本的语义内容关联性低,不适合使用该短语作为关键词。
针对上述的现有技术存在的问题设计一种基于N-Gram的新型关键词提取方法是本发明研究的目的。
发明内容
针对上述现有技术存在的问题,本发明在于提供一种基于N-Gram的新型关键词提取方法,能够有效解决上述现有技术存在的问题。
本发明的技术方案是:
一种基于N-Gram的新型关键词提取方法,包含以下步骤:
S1,获取用户输入的第一文本;
S2,定义N=1,对所述第一文本进行N-Gram分割,得到单字符合集,计算每个单字符的出现概率;
S3,提取所述步骤S1中出现概率最高的第一数量的单字符合集,剔除第一文本中不包含所述单字符合集的句子,得到第二文本;
S4,定义N=2,对所述第二文本进行N-Gram分割,得到双字符串合集,计算每个双字符串的出现概率;
S5,提取所述步骤S4中出现概率最高的第一数量的双字符串合集,剔除第二文本中不包含所述双字符串合集的句子,得到第三文本;
S6,对所述双字符串合集进行字符扩展,加入每个双字符串对应所述第三文本中的外围字符,得到多字符串扩展合集,计算并提取出现权重最高的第二数量的多字符串扩展,输出所述多字符串扩展作为关键词。
进一步地,所述第一数量为5-30。
进一步地,步骤S6中,所述加入每个双字符串对应所述第三文本中的外围字符具体为:
定义M为大于等于零的整数,加入每个双字符串的前端对应所述第三文本中的前M-m个字符并且加入每个双字符串的后端对应所述第三文本中的后m个字符得到2M个扩展字符串,其中m为0-M的任意整数。
进一步地,所述M为0-5的任意整数。
进一步地,所述计算并提取出现权重最高的第二数量的多字符串扩展具体为:
计算并提取出现概率最高的第二数量的多字符串扩展;
提取每个多字符串中属于所述单字符合集的单字符,累加所述每个单字符的出现概率P,根据P的大小定义所述多字符串扩展的出现权重;
提取出现权重最高的第二数量的多字符串扩展。
进一步地,所述第二数量为10-20。
因此,本发明提供以下的效果和/或优点:
本发明通过该方法可以通过N-Gram的分割计算单字符、双字符的出现概率,并提取出现概率最高的单、双字符。同时,通过剔除不含单字符合集、不含双字符合集的句子,得到第三文本,可以大大缩减计算次数,减少无关语句对计算造成的影响。最后已第三文本进行扩展,可以得到更加适合的关键词。
本发明通过对双字符串合集进行扩展,可以得到双字符串增加前后若干字符的多字符串扩展合集,其包含有双字符串前后的重要信息,方便读者阅读其包含的前后信息。提高关键词的内容含量。
应当明白,本发明的上文的概述和下面的详细说明是示例性和解释性的,并且意在提供对如要求保护的本发明的进一步的解释。
附图说明
图1为本方法的流程示意图。
具体实施方式
为了便于本领域技术人员理解,现将实施例结合附图对本发明的结构作进一步详细描述:
参考图1,一种基于N-Gram的新型关键词提取方法,包含以下步骤:
S1,获取用户输入的第一文本;
例如输入“傅里叶变换的目的是可将时域上的信号转变为频域(即频率域)上的信号,随着域的不同,对同一个事物的了解角度也就随之改变,因此在时域中某些不好处理的地方,在频域就可以较为简单的处理。”
S2,定义N=1,对所述第一文本进行N-Gram分割,得到单字符合集,计算每个单字符的出现概率;
通过上述文本,经过N=1的N-Gram分割后得到:“傅,里,叶,变,换,的…在,频,域,就,可,以,较,为,简,单,的,处,理。”这样一个单字符合集。
S3,提取所述步骤S1中出现概率最高的第一数量的单字符合集,剔除第一文本中不包含所述单字符合集的句子,得到第二文本;
S4,定义N=2,对所述第二文本进行N-Gram分割,得到双字符串合集,计算每个双字符串的出现概率;
S5,提取所述步骤S4中出现概率最高的第一数量的双字符串合集,剔除第二文本中不包含所述双字符串合集的句子,得到第三文本;
S6,对所述双字符串合集进行字符扩展,加入每个双字符串对应所述第三文本中的外围字符,得到多字符串扩展合集,计算并提取出现权重最高的第二数量的多字符串扩展,输出所述多字符串扩展作为关键词。
进一步地,所述第一数量为5-30。
进一步地,步骤S6中,所述加入每个双字符串对应所述第三文本中的外围字符具体为:
定义M为大于等于零的整数,加入每个双字符串的前端对应所述第三文本中的前M-m个字符并且加入每个双字符串的后端对应所述第三文本中的后m个字符得到2M个扩展字符串,其中m为0-M的任意整数,所述M为0-5的任意整数。
进一步地,所述计算并提取出现权重最高的第二数量的多字符串扩展具体为:
计算并提取出现概率最高的第二数量的多字符串扩展;
提取每个多字符串中属于所述单字符合集的单字符,累加所述每个单字符的出现概率P,根据P的大小定义所述多字符串扩展的出现权重;
提取出现权重最高的第二数量的多字符串扩展,所述第二数量为10-20。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属于本发明的涵盖范围。
Claims (6)
1.一种基于N-Gram的新型关键词提取方法,其特征在于:包含以下步骤:
S1,获取用户输入的第一文本;
S2,定义N=1,对所述第一文本进行N-Gram分割,得到单字符合集,计算每个单字符的出现概率;
S3,提取所述步骤S1中出现概率最高的第一数量的单字符合集,剔除第一文本中不包含所述单字符合集的句子,得到第二文本;
S4,定义N=2,对所述第二文本进行N-Gram分割,得到双字符串合集,计算每个双字符串的出现概率;
S5,提取所述步骤S4中出现概率最高的第一数量的双字符串合集,剔除第二文本中不包含所述双字符串合集的句子,得到第三文本;
S6,对所述双字符串合集进行字符扩展,加入每个双字符串对应所述第三文本中的外围字符,得到多字符串扩展合集,计算并提取出现权重最高的第二数量的多字符串扩展,输出所述多字符串扩展作为关键词。
2.根据权利要求1所述的一种基于N-Gram的新型关键词提取方法,其特征在于:所述第一数量为5-30。
3.根据权利要求1所述的一种基于N-Gram的新型关键词提取方法,其特征在于:步骤S6中,所述加入每个双字符串对应所述第三文本中的外围字符具体为:
定义M为大于等于零的整数,加入每个双字符串的前端对应所述第三文本中的前M-m个字符并且加入每个双字符串的后端对应所述第三文本中的后m个字符得到2M个扩展字符串,其中m为0-M的任意整数。
4.根据权利要求3所述的一种基于N-Gram的新型关键词提取方法,其特征在于:所述M为0-5的任意整数。
5.根据权利要求1所述的一种基于N-Gram的新型关键词提取方法,其特征在于:所述计算并提取出现权重最高的第二数量的多字符串扩展具体为:
计算并提取出现概率最高的第二数量的多字符串扩展;
提取每个多字符串中属于所述单字符合集的单字符,累加所述每个单字符的出现概率P,根据P的大小定义所述多字符串扩展的出现权重;
提取出现权重最高的第二数量的多字符串扩展。
6.根据权利要求5所述的一种基于N-Gram的新型关键词提取方法,其特征在于:所述第二数量为10-20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072560.XA CN112163421B (zh) | 2020-10-09 | 2020-10-09 | 一种基于N-Gram的关键词提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072560.XA CN112163421B (zh) | 2020-10-09 | 2020-10-09 | 一种基于N-Gram的关键词提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163421A true CN112163421A (zh) | 2021-01-01 |
CN112163421B CN112163421B (zh) | 2022-05-17 |
Family
ID=73866349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011072560.XA Expired - Fee Related CN112163421B (zh) | 2020-10-09 | 2020-10-09 | 一种基于N-Gram的关键词提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163421B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744837A (zh) * | 2014-01-23 | 2014-04-23 | 北京优捷信达信息科技有限公司 | 基于关键词抽取的多文本对照方法 |
CN104408173A (zh) * | 2014-12-11 | 2015-03-11 | 焦点科技股份有限公司 | 一种基于b2b平台的核心关键词自动提取方法 |
US20170293597A1 (en) * | 2016-04-07 | 2017-10-12 | Khalifa University Of Science, Technology And Research | Methods and systems for data processing |
CN107861949A (zh) * | 2017-11-22 | 2018-03-30 | 珠海市君天电子科技有限公司 | 文本关键词的提取方法、装置及电子设备 |
CN108052500A (zh) * | 2017-12-13 | 2018-05-18 | 北京数洋智慧科技有限公司 | 一种基于语义分析的文本关键信息提取方法及装置 |
CN108319583A (zh) * | 2017-01-06 | 2018-07-24 | 光讯网络科技有限公司 | 从中文语料库提取知识的方法与系统 |
CN109214445A (zh) * | 2018-08-27 | 2019-01-15 | 陆柒(北京)科技有限公司 | 一种基于人工智能的多标签分类方法 |
CN110704621A (zh) * | 2019-09-25 | 2020-01-17 | 北京大米科技有限公司 | 文本处理方法、装置及存储介质和电子设备 |
CN111339753A (zh) * | 2020-02-25 | 2020-06-26 | 北京林业大学 | 一种自适应中文新词识别方法与系统 |
-
2020
- 2020-10-09 CN CN202011072560.XA patent/CN112163421B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744837A (zh) * | 2014-01-23 | 2014-04-23 | 北京优捷信达信息科技有限公司 | 基于关键词抽取的多文本对照方法 |
CN104408173A (zh) * | 2014-12-11 | 2015-03-11 | 焦点科技股份有限公司 | 一种基于b2b平台的核心关键词自动提取方法 |
US20170293597A1 (en) * | 2016-04-07 | 2017-10-12 | Khalifa University Of Science, Technology And Research | Methods and systems for data processing |
CN108319583A (zh) * | 2017-01-06 | 2018-07-24 | 光讯网络科技有限公司 | 从中文语料库提取知识的方法与系统 |
CN107861949A (zh) * | 2017-11-22 | 2018-03-30 | 珠海市君天电子科技有限公司 | 文本关键词的提取方法、装置及电子设备 |
CN108052500A (zh) * | 2017-12-13 | 2018-05-18 | 北京数洋智慧科技有限公司 | 一种基于语义分析的文本关键信息提取方法及装置 |
CN109214445A (zh) * | 2018-08-27 | 2019-01-15 | 陆柒(北京)科技有限公司 | 一种基于人工智能的多标签分类方法 |
CN110704621A (zh) * | 2019-09-25 | 2020-01-17 | 北京大米科技有限公司 | 文本处理方法、装置及存储介质和电子设备 |
CN111339753A (zh) * | 2020-02-25 | 2020-06-26 | 北京林业大学 | 一种自适应中文新词识别方法与系统 |
Non-Patent Citations (2)
Title |
---|
TANATORN TANANTONG 等: "Extraction of Trend Keywords from Thai Twitters using N-Gram Word Combination", 《IEEE》 * |
孙兴东 等: "一种基于聚类的微博关键词提取方法的研究与实现", 《信息网络安全》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112163421B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2015149533A1 (zh) | 一种基于网页内容分类进行分词处理的方法和装置 | |
CN106610951A (zh) | 改进的基于语义分析的文本相似度求解算法 | |
CN106598940A (zh) | 基于全局优化关键词质量的文本相似度求解算法 | |
CN107102983B (zh) | 一种基于网络知识源的中文概念的词向量表示方法 | |
CN108920482B (zh) | 基于词汇链特征扩展和lda模型的微博短文本分类方法 | |
CN112948543A (zh) | 基于加权TextRank的多语言多文档摘要抽取方法 | |
CN106611041A (zh) | 一种新的文本相似度求解方法 | |
WO2012159558A1 (zh) | 基于语意识别的自然语言处理方法、装置和系统 | |
CN106528621A (zh) | 一种改进的密度文本聚类算法 | |
CN104750820A (zh) | 一种语料库的过滤方法及装置 | |
CN106570112A (zh) | 基于改进的蚁群算法实现文本聚类 | |
CN106610954A (zh) | 基于统计学的文本特征词汇提取方法 | |
CN106610952A (zh) | 一种混合的文本特征词汇提取方法 | |
CN111428031B (zh) | 一种融合浅层语义信息的图模型过滤方法 | |
CN115794995A (zh) | 目标答案获取方法及相关装置、电子设备和存储介质 | |
CN106610953A (zh) | 基于基尼指数求解文本相似度的方法 | |
CN106528726A (zh) | 基于关键词优化实现搜索引擎优化技术 | |
Suleiman et al. | Arabic text keywords extraction using word2vec | |
Wang et al. | Improving handwritten Chinese text recognition by unsupervised language model adaptation | |
CN110705285B (zh) | 一种政务文本主题词库构建方法、装置、服务器及可读存储介质 | |
CN112115256A (zh) | 一种融入中文笔画信息的新闻文本摘要生成的方法及装置 | |
CN112163421B (zh) | 一种基于N-Gram的关键词提取方法 | |
CN111178009A (zh) | 一种基于特征词加权的文本多语种识别方法 | |
CN110019814B (zh) | 一种基于数据挖掘与深度学习的新闻信息聚合方法 | |
CN110609997B (zh) | 生成文本的摘要的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220517 |