申请/专利权人：南京邮电大学

申请日：2021-12-30

公开（公告）日：2024-07-02

公开（公告）号：CN114298020B

主分类号：G06F40/279

分类号：G06F40/279;G06F40/216;G06F40/30;G06F18/2321

优先权：

专利状态码：有效-授权

法律状态：2024.07.02#授权;2022.04.26#实质审查的生效;2022.04.08#公开

摘要：本发明公开一种基于主题语义信息的关键词向量化方法及其应用，具体包括：首先利用Sentence‑BERT模型为每个文档生成具有文档语义信息的向量；再通过UMAP降维算法对生成的文档向量进行降维并突显局部语义特征；然后，在降维后的文档向量上进行HDBSCAN主题聚类，并将每个文档归类到一个或多个主题中；最后，利用文档和主题之间的关系，计算主题中每一个关键词的主题词频率‑逆主题频率TTF‑ITF得分，对该关键词与每个主题的主题词频率‑逆主题频率TTF‑ITF得分进行合并，生成最终的关键词向量。本发明实现高精度表征主题语义信息的关键词向量化，可应用于主题词提取、文本分类和文档检索。

主权项：1.一种基于主题语义信息的关键词向量化方法，其特征在于，所述方法包括以下实现步骤：步骤S1，使用Sentence-BERT模型输入文档集D进行训练，提取文档中蕴含的语义信息，生成文档向量矩阵行向量是文档di的文档向量；步骤S2，使用UMAP降维算法将文档向量矩阵降维后形成文档向量矩阵为行向量是文档di降维后的文档向量；步骤S3，采用HDBSCAN聚类算法将降维后的文档向量进行聚类，形成m个聚类聚类主题T＝{t1,t2,…,tm}，然后将各文档根据其主题信息，归类到对应的主题中；根据应用场景的不同，对HDBSCAN聚类算法进行选择，若应用于文档分类中主题词的提取，采用HDBSCAN常规聚类方式；若在信息检索领域中，需要获得文档的主题向量表示，采用HDBSCAN软聚类方式；所述HDBSCAN常规聚类方式，具体为将D中每个文档di归类到某个主题tj中，记为di→tj，表示文档di被归类到主题tj中；所述HDBSCAN软聚类方式，具体为将D中每个文档di生成一个软集群成员向量Φ[i]，Φ[i]向量也是di的文档主题向量；所有文档的文档主题向量构成文档-主题矩阵Φ，Φ[i][j]表示文档di属于主题tj的概率；对于D中的每个文档di，计算与di最相关的前k个主题，记为k-Topicdi，计算方法如下：k-Topicdi＝{tj|Φ[i][j]∈topk{Φ[i][k]|tk∈T}}其中topk{}表示获取集合中最大的k个元素，对于任一主题ti，计算ti关联的文档集合，记为Docsti，计算方法如下：Docsti＝{dj|dj∈D∧ti∈k-Topicdj}其中，k-Topicdj是与文档di最相关的前k个主题；步骤S4，利用主题词频率-逆主题频率的计算方式，计算关键词集合W中每一个关键词wi与主题T中每个主题的主题词频率-逆主题频率得分，将该得分合并得到关键词主题向量θi。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于主题语义信息的关键词向量化方法及其应用

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD