(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210697632.2 (22)申请日 2022.06.20 (71)申请人 安徽大学 地址 230039 安徽省合肥市蜀山区肥西路3 号 (72)发明人 赵姝　殷俊　郭双瑞　张金磊　 段震　陈洁　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 朱文振 (51)Int.Cl. G06F 40/289(2020.01) G06F 40/30(2020.01) G06F 40/216(2020.01) G06F 16/35(2019.01) (54)发明名称 文档层次结构联合全局局部信息抽取关键 短语方法及系统 (57)摘要 本发明提供文档层次结构联合全局局部信 息抽取关键短语方法及系统， 方法包括： 分词和 磁性标注， NP分块； 判断文档长度， 根据文档长度 使用BERT模型进行文档和单词的嵌入； 全局相似 性度量， 本发 明创新性地使用文档标题和结尾来 对候选关键短语进行全局相似度评估， 解决因为 向量空间对齐造成的对较长候选短语的偏爱； 局 部相似度评估， 采用全新的主题中心度， 对全文 的候选关键短语进行主题划分和聚类， 充分捕获 到局部显著信息； 结合位置信息、 全局相似度、 局 部相似度对候选短语进行综合评估并打分， 然后 根据得分进行排名； 进行后处理操作， 以选择关 键短语。 本发明解决了语义丢失、 偏爱长短语、 主 体信息挖掘不充分导致关键短语抽取准确率低 的技术问题。 权利要求书4页 说明书12页 附图4页 CN 115017903 A 2022.09.06 CN 115017903 A 1.文档层次结构联合全局 局部信息抽取关键短语方法， 其特 征在于， 所述方法包括： S1、 利用StandfordCoreNLP工具对输入文档进行分词和词性标注， 根据预置抽取规则 进行NP分块， 以生成候选关键短语集 合； S2、 判断所述输入文档的长度是否小于或等于预置文档长度阈值， 若是， 则利用BERT模 型嵌入处理所述输入文档， 以得到向量表达， 若否， 则根据预置范围获取所述输入文档的指 定范围内容， 将所述指定范围内容输入所述SimCSE模型， 以进行嵌入获取所述候选关键短 语的所述向量表达、 标题向量及结尾向量； S3、 处理所述标题向量及所述结尾向量， 以对所述候选关键短语进行全局相似性度量， 据以得到全局相似度； S4、 利用主题中心度， 以预置逻辑对所述输入文档全文的所述候选关键短语进行主题 划分和聚类， 据以局部相似度评估得到局部相似度， 其中， 所述 步骤S4还 包括： S41、 以所述候选关键短语作为节点、 以所述节点间的相似度作为边， 据以构建完全无 向图； S42、 根据每一所述输入文档的最大值及最小值设置自适应滤噪阈值； S43、 根据所述自适应滤噪阈值更新将所述边的权重， 以得到局部显著性数据， 根据所 述局部显著性数据得到更新 边； S44、 获取所述输入文档全文的所述 候选关键短语的位置信息； S45、 根据所述 位置信息计算得到所述局部相似度； S5、 结合处理所述位置信息、 所述全局相似度、 所述局部相似度， 以对所述候选关键短 语进行综合评估并打 分， 据以排序处 理所述候选关键短语， 以得到关键短语排名数据； S6、 根据所述关键短语排名数据得到候选关键短语排序数据集， 对所述候选关键短语 进行后处理操作， 删除所述候选 关键短语集合的子集， 以获取语义多样性关键短语， 获取词 汇频率数据， 据以去除所述候选关键短语排序数据集上 的高频通用短语， 以滤除高频无效 短语干扰。 2.根据权利要求1所述的文档层次结构联合全局局部信息抽取关键短语方法， 其特征 在于， 所述 步骤S2包括： S21、 以BERT模型在所述输入文档的开始位置插 入CLS标记， 结束位置插 入SEP标记； S22、 嵌入学习所述输入文档， 据以得到每一to ken的向量： {H1,H2,…,Hn}＝BERT({T1,T2,…,Tn})； S23、 再根据所述预置抽取规则得到所述候选关键短语的向量表示， 以得到所述候选短 语向量集合： S24、 将所述输入文档的标题和结尾送入所述BERT模型， 以得到得到标题向量Htitle及结 尾向量Hend。 S25将所述输入文档的结论及摘要分别输入到所述BERT模型进行嵌入操作， 以得到所 述向量表达； S26利用SimCSE模型对所述输入文档进行长文本上的表达 。 3.根据权利要求1所述的文档层次结构联合全局局部信息抽取关键短语方法， 其特征权　利　要　求　书 1/4 页 2 CN 115017903 A 2在于， 所述步骤S3中， 以下述逻辑处理标题向量Htitle和结尾向量Hend， 据以获取每一所述候 选关键短语i的所述全局相似度： 其中， ‖. ‖表示曼哈顿距离， 表示候选短语i与整个文档的全局相似度。 4.根据权利要求1所述的文档层次结构联合全局局部信息抽取关键短语方法， 其特征 在于， 所述 步骤S42包括： S421、 利用图中心性计算方法， 以下述逻辑处 理所述候选关键短语i： 其中， S422、 利用下述逻辑设置所述自适滤噪应阈值θ； θ ＝min(eij)+β×(max(eij)‑min(eij))。 5.根据权利要求1所述的文档层次结构联合全局局部信息抽取关键短语方法， 其特征 在于， 所述 步骤S43包括： S431、 利用下述逻辑处 理得到所述局部 显著性数据： 其中， 代表候选短语i的局部 显著性； S432、 根据所述局部显著性数据获取所述更新边， 在所述更新边的权重小于0时， 设置 该所述更新 边的权重为0。 6.根据权利要求1所述的文档层次结构联合全局局部信息抽取关键短语方法， 其特征 在于， 所述 步骤S44包括： S441、 以下述逻辑计算所述候选关键短语在所述输入文档中首次出现位置， 以作为候 选关键短语位置得分： 其中， p1是候选术语i首次出现的位置； S442、 利用softmax函数平滑处理所述候选关键短语位置得分， 以利用下述逻辑处理得 到所述位置信息： 7.根据权利要求1所述的文档层次结构联合全局局部信息抽取关键短语方法， 其特征 在于， 所述步骤S45中， 利用下述逻辑处理所述位置信息， 据以得所述候选关键短语i的所述 局部相似度 权　利　要　求　书 2/4 页 3 CN 115017903 A 3