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：北京尚博信科技有限公司

摘要：本发明涉及自然语言处理技术领域，提出了基于自然语言识别的文档分析方法及系统，包括：根据需要进行长命名实体识别的文档获取文档的语句数据序列，建立历史数据库；获取基础词共存剥离权重，获取共现表征强度，进而获取长实体依存系数；获取词语的命名左方向倾斜度和命名右方向倾斜度；根据历史数据库、命名左方向倾斜度和命名右方向倾斜度，建立词语方向分类模型，使用词语方向分类模型获取词语的最优命名方向，建立语句数据序列的无向图，对无向图的节点进行节点选取，划分出语句数据序列的长实体，实现基于自然语言识别的文档分析。本发明解决实体的边界不易识别导致的长命名实体识别不准确的问题。

主权项：1.基于自然语言识别的文档分析方法，其特征在于，该方法包括以下步骤：对需要进行长命名实体识别的文档的文本数据进行预处理，获取文档的语句数据序列，建立历史数据库；计算词语的全局信息量，获取词语的句法距离向量，根据词语的全局信息量，获取不同词语之间的基础词共存剥离权重，统计两个不同的词语的词间隔距离，根据词间隔距离和文档中不同词语在同一语句数据序列中同时出现的频次，获取两个不同词语之间的共现表征强度，进而获取两个不同词语之间的长实体依存系数；向左和向右分别获取每个词语的相邻词语，获取词语的左界限词语序列，根据词语的左界限词语序列，获取词语的命名左方向截断距离，进而获取词语的命名左方向倾斜度，获取待分析词语的命名右方向倾斜度；根据历史数据库、命名左方向倾斜度和命名右方向倾斜度，建立词语方向分类模型，使用词语方向分类模型获取词语的最优命名方向，建立语句数据序列的无向图，对无向图的节点进行节点选取，划分出语句数据序列的长实体，实现基于自然语言识别的文档分析；所述根据词间隔距离和文档中不同词语在同一语句数据序列中同时出现的频次，获取两个不同词语之间的共现表征强度，具体的表达式为： 式中，Za,b表示词语a和词语b之间的共现表征强度，其中，词语a和词语b在同一语句数据序列中；na,b表示词语a和词语b所在的需要进行长命名实体识别的文档中，在同一语句数据序列中同时出现词语a和词语b的频次；na,b′表示词语a和词语b所在的需要进行长命名实体识别的文档中，在同一语句数据序列中同时出现词语a和词语b′的频次，其中，词语b′，词语a和词语b在同一语句数据序列中；da,b表示词语a和词语b的词间隔距离；da,b′表示词语a和词语b′的词间隔距离；exp表示以自然常数为底的指数函数；α1表示第一调整参数；Ba表示词语a所在的语句数据序列中，包含的不同词语的数量。

全文数据：

权利要求：

百度查询： 北京尚博信科技有限公司 基于自然语言识别的文档分析方法及系统