买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江度衍信息技术有限公司

摘要：本发明涉及电子数字数据处理技术领域，具体涉及基于NLP的公文数据采集分析方法及系统，包括：收集公文数据，获取标题词集合，根据预设参考时间段内公文标题词的数量特征和在公文中的位置，确定标题词的第一关键性和第二关键性，根据参考时间段内公文标题的数量和标题字数，确定公文标题词的最终关键性，进一步获取所有公文的标题关键词，获取每篇公文标题关键词的相关词，确定相关词之间的相似性，根据相关词之间的相似性和相关词的数量特征，确定公文之间的相似性，根据公文之间的相似性对公文数据进行分类。本发明对公文标题的关键词进行准确提取，提高了公文之间相似性计算的准确性，提高了公文数据分类的准确率。

主权项：1.基于NLP的公文数据采集分析方法，其特征在于，该方法包括以下步骤：获取公文数据，所述公文数据包含公文标题词和正文词，获取由公文标题词组成的标题词集合；预设参考时间段，根据在参考时间段内公文标题词的数量特征，确定标题词的第一关键性，根据公文的标题词在公文中的位置和数量特征，确定标题词的第二关键性；根据参考时间段内公文标题的数量和标题字数，确定公文标题和参考时间段内其他公文标题之间的重复度，根据公文标题词的关键性特征和公文标题之间的重复度，确定公文标题词的最终关键性，获取所有公文的标题关键词；获取每篇公文标题关键词的相关词，根据相关词的数量特征，确定相关词之间的相似性，根据相关词之间的相似性和相关词的数量特征，确定公文之间的相似性，根据公文之间的相似性对公文数据进行分类；所述确定公文标题和参考时间段内其他公文标题之间的重复度，包括的具体方法为： 式中，αw表示第w篇公文的标题与参考时间段内其他公文标题之间的重复度；K表示参考时间段内的标题数量；nw表示第w篇公文的标题字数；nk表示参考时间段内第k篇公文的标题字数；ew,k表示第w篇公文和参考时间段内第k篇公文的标题相同的字数；norm表示归一化函数；所述获取所有公文的标题关键词，包括的具体方法为：将公文标题词的第一关键性、第二关键性、公文标题和参考时间段内其他公文标题之间的重复度结合，进一步确定公文标题词的最终关键性；将最终关键性大于预设第一阈值的标题词作为标题关键词，得到所有公文数据的标题关键词；所述确定公文标题词的最终关键性的具体计算方法为：根据第w篇公文的标题与参考时间段内其他公文标题之间的重复度、第w篇公文的标题词i的第一关键性和第二关键性，确定第w篇公文的标题词i的最终关键性，所述第w篇公文的标题与参考时间段内其他公文标题之间的重复度和第w篇公文的标题词i的第一关键性呈正比例关系。

全文数据：

权利要求：

百度查询： 浙江度衍信息技术有限公司 基于NLP的公文数据采集分析方法及系统