主权项 |
1.一种基于上下文关联的中文相似性比较方法,其特征在于,该方法具体包括如下步骤: 步骤1、首先将要进行比较的两篇文本S和D的文本流进行分词,然后为每一个文本建立倒排表,具体是:通过词汇内容建立索引,将词汇本身作为索引的键,词汇在文本中的位置作为索引值; 步骤2、对倒排表进行相似性检测,得到可疑相似片段,具体是: 步骤2.1、首先使用倒排表对中心词进行映射:若词X同时在文本S的倒排表和文本D的倒排表中出现,则在文本S的倒排表和文本D的倒排表中建立词X的关系映射,并得到以词X作为中心词、以r作为半径,长度n=2r+1的一对可疑相似片段; 步骤2.2、以n个词作为一个粒度对两篇文本S和D进行相似性检测,并确定每一对可疑相似片段的相似度; 步骤2.3、确定文本S和文本D的相似值<img file="FDA00002814550100011.GIF" wi="84" he="60" /><img file="FDA00002814550100012.GIF" wi="488" he="64" />R<sub>S,D</sub>表示文本S对文本D的相似度,R<sub>D,S</sub>表示文本D对文本S的相似度;所述的文本S对文本D的相似度R<sub>S,D</sub>具体通过式(1)得到: <img file="FDA00002814550100013.GIF" wi="1193" he="112" />w<sub>i</sub>表示S中第i个词语,N<sub>S</sub>表示文本S中包含的词语的总个数,<img file="FDA00002814550100014.GIF" wi="153" he="67" />表示对文本S中所有的词语的相似度求和,<img file="FDA00002814550100015.GIF" wi="66" he="65" />表示词语w<sub>i</sub>的相似度,具体依据下面式(2)来确定:<img file="FDA00002814550100016.GIF" wi="1233" he="72" /><img file="FDA00002814550100017.GIF" wi="72" he="72" />为第j个包含某个词语w的可疑相似片段的相似度,可疑相似片段的相似度依据式(3)来确定:<img file="FDA00002814550100018.GIF" wi="1261" he="143" />α<sub>i</sub>表示第i个词的权重向量,s表示候选片段,s∈文本S,d表示待检测片段,d∈文本D,F(s)表示片段s的词汇向量,F(d)表示片段d的词汇向量,N表示文本S和文本D中包含的词语的总个数; 文本D对文本S的相似度R<sub>D,S</sub>类似R<sub>S,D</sub>能够得到; 步骤3、对可疑相似片段进行聚合,生成相似文本块。 |