申请/专利权人：西安理工大学

申请日：2021-04-27

公开（公告）日：2024-04-16

公开（公告）号：CN113515939B

主分类号：G06F40/289

分类号：G06F40/289;G06F40/216;G06F40/242;G06F40/268

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.11.05#实质审查的生效;2021.10.19#公开

摘要：本发明公开了一种勘察报告文本关键信息提取系统，包括依次电信号连接的文本输入模块、文本预处理模块、TF‑IDF计算模块、文本信息改进模块、关键词输出模块以及查找定位关键信息模块。本发明的一种勘察报告文本关键信息提取系统，对现有TF‑IDF算法进行优化使其准确度大大提高，实现了勘察报告规范文本的关键信息自动输出。本发明还公开了一种勘察报告文本关键信息提取方法。

主权项：1.一种勘察报告文本关键信息提取方法，其特征在于，具体按照如下步骤实施：步骤1，采用文本输入模块（1）进行文本输入；步骤2，采用文本预处理模块（2）对输入的文本进行预处理降噪，得到候选词；步骤3，使用TF-IDF计算模块（3）对经过预处理的文本进行计算，得到TF-IDF值排名前N的关键词作为候选关键词，具体为：步骤3.1、将经步骤2去除停用词之后的勘察报告中的词只保留动词、名词、标题词、自定义词典、专有名词和字符串，将其他词性的词汇进行剔除，得到的词作为候选词，根据公式（1）计算所有候选词的词频TF； （1）其中，TF表示当前词的词频，n表示当前词在勘察报告中的数量，表示勘察报告中所有词的数量；则，将当前词的词频矩阵为：[p][q][TF]，表示第p个勘察报告文档中第q个词的词频值为TF；步骤3.2、根据公式（2）计算所有候选词的逆文档频率IDF： （2）其中，IDF表示当前词逆文档频率，表示语料库中勘察报告的总数量，表示包含当前词的文档数量占所有文档数量的频率；则，将当前词的逆文档频率矩阵为：[p][q][IDF]，表示示第p个勘察报告文档中第q个词的逆文档频率值为IDF；步骤3.3、计算出每个词的TF-IDF矩阵表示为： 然后将矩阵除以矩阵的L2范数来进行矩阵归一化如公式（3），得出TF-IDF值，然后取TF-IDF值排名前N的候选词作为候选关键词： （3）；步骤4，采用文本信息改进模块（4）对TF-IDF计算模块（3）计算得到的候选关键词进行优化，获得候选关键词新的TF-IDF值，具体为：步骤4.1、通过公式（4）计算经步骤3选出的候选关键词中的标题词的权重： （4）其中，表示标题词的权重，表示勘察报告j内包含词的总数；步骤4.2、通过公式（5）依据词汇的长度计算该词汇的权重： （5）其中，表示词的长度权重，表示词wi的长度，表示当前勘察报告中最长词的长度；步骤4.3、给自定义词典、字符串、名词、动词以及专有名词赋予不同权重weightcharwi，其中，当词性为自定义词典时weightcharwi=1.2，当词性为专有名词时weightcharwi=1.0，当词性为字符串时weightcharwi=0.8，当词性为名词时weightcharwi=0.8，当词性为动词时weightcharwi=0.6；步骤4.4、通过公式（6）对关键词的TF-IDF值进行加权计算得出新的TF-IDF值Y：Y=*（1.0*+1.0*+1.3*weightcharwi）（6）其中，Y表示当前词的最终TF-IDF值，如果当前词不是标题词，那么=0，如果是标题词按照公式（4）计算；步骤5，采用关键词输出模块（5）输出关键词；步骤6，通过查找定位关键信息模块（6）查找定位关键信息。

全文数据：

权利要求：

百度查询： 西安理工大学 一种勘察报告文本关键信息提取系统和提取方法

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