基于詞語網(wǎng)絡(luò)的關(guān)鍵字提取策略研究.pdf_第1頁
已閱讀1頁,還剩49頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、關(guān)鍵字是表述文檔中心內(nèi)容的詞匯,是計算機(jī)系統(tǒng)標(biāo)引論文內(nèi)容特征的詞匯,是便于信息系統(tǒng)匯集以供讀者檢索的詞匯。關(guān)鍵字提取是文本挖掘領(lǐng)域的一個分支,是文檔檢索、文檔比較、摘要生成、文檔分類和聚類的基礎(chǔ)性工作。 關(guān)鍵字提取算法可分為兩類:基于訓(xùn)練集的關(guān)鍵字提取策略和不需要訓(xùn)練集的關(guān)鍵字提取策略。基于訓(xùn)練集的方法將關(guān)鍵字提取視為分類問題,通過將文檔中出現(xiàn)的詞語劃分到關(guān)鍵字類或非關(guān)鍵字類,再從關(guān)鍵字類中選擇若干個詞語作為關(guān)鍵字,該類算法由P

2、eter.D.Turney首次提出,其技術(shù)已日趨成熟。 不需要訓(xùn)練集的算法,可分為以下四類:基于統(tǒng)計的方法,如頻率統(tǒng)計:基于詞語圖的方法,如KeyGraph:基于詞語網(wǎng)絡(luò)的方法,如中介性指標(biāo)(BC,Betweenness Centrality);基于SWN的方法;上述四種方法都是建立在詞頻統(tǒng)計基礎(chǔ)上?;诮y(tǒng)計的方法簡單快速,能夠提取高頻詞語,卻忽略對文檔具有重要意義但出現(xiàn)頻率不高的詞語,因此提取的關(guān)鍵字具有片面性。基于詞語圖的方

3、法需要設(shè)定的參數(shù)過多,如頂點(diǎn)數(shù)、邊數(shù)等,因而常造成邊界上的取舍問題,影響算法的穩(wěn)定性和精度?;赟WN的方法是以平均距離K度為關(guān)鍵字提取依據(jù),而SWN理論以連通圖為基礎(chǔ),故對非連通的文檔結(jié)構(gòu)圖,無法衡量頂點(diǎn)的重要性,也無法正確地提取文檔關(guān)鍵字。 本文主要研究基于詞語網(wǎng)絡(luò)的關(guān)鍵字提取算法,在分析已有基于詞語網(wǎng)絡(luò)的關(guān)鍵字提取算法的基礎(chǔ)上,針對存在問題,提出一個新的基于詞語網(wǎng)絡(luò)的英文文檔關(guān)鍵字提取策略,采用節(jié)點(diǎn)刪除指標(biāo)度量頂點(diǎn)(詞語)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論