[發明專利]一種基于單篇長文本的摘要生成方法

在審

• 申請號: 202010630431.1
• 申請日: 2020-07-03
• 公開（公告）號: CN111858912A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 石振鋒;王亞卓;崔寶艷;桑略
• 申請（專利權）人: 黑龍江陽光惠遠知識產權運營有限公司
• 主分類號: G06F16/34
• 分類號: G06F16/34;G06F40/279;G06Q50/18
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 張宏威

本發明是一種基于單篇長文本的摘要生成方法。本發明涉及單篇長文本的摘要生成技術領域，本發明通過Bert算法構造文本句子的特征向量，確定句子間的余弦相似度；確定文本句子的權重得分，根據文本句子的位置、長度、與標題相似度特征，對文本句子進行權重修正；采用MMR算法對候選摘要句進行冗余度處理；根據冗余度處理的候選摘要句，進行專利文本的摘要提取。采用本發明所述方法獲得摘要在各項指標上均大于其他現有同類方法。本發明所述的摘要生成方法應用于專利檢索技術領域，能夠有效提高專利降噪的工作效率和準確率。

技術領域

本發明涉及專利摘要生成技術領域，是一種基于單篇長文本的摘要生成方法。

背景技術

隨著信息化時代的到來，人們變得越來越依賴互聯網獲取所需要的信息，但其上的信息呈現爆炸式增長，如何有效地從海量信息中篩選出所需的有用信息成了關鍵性的技術問題，而在單篇長文本領域，也面臨著類似的問題。專利文獻作為技術信息最有效的載體，囊括了全球90％以上的最新技術情報，相比一般技術刊物所提供的信息早5-6年，而且70％-80％發明創造只通過專利文獻公開，并不見諸于其他科技文獻，相對于其他文獻形式，專利更具有新穎、實用的特征。專利技術可以促進發明創造，推動技術進步，具有巨大的商業價值，是提升企業競爭力的重要手段。一個企業要想在行業內擁有核心競爭力，一個行業要想引領時代潮流，一個國家要想在立足于國際舞臺，技術創新是關鍵、專利發明是載體。

專利數據庫中包含著海量的專利數據，在檢索某一技術領域的專利時，目前大多數的專利檢索都是基于關鍵詞匹配來獲取相關技術領域的專利，檢索的結果往往包含很大的噪聲，由于原始摘要往往不能準確的表達專利內容所反映的關鍵技術點，這給后期的專利降噪帶來很大的工作量，如何快速、準確地檢索出待檢索技術領域的專利，成為專利檢索領域的難題。

為了解決專利檢索方面所遇到的海量數據的問題，本發明參考眾研究學者對新聞文本、微博文本中提煉主題思想的方法，研究學者們開始探索自動文本摘要的生成技術。抽取式自動文本摘要技術和生成式自動文本摘要技術構成了目前自動文本摘要任務的主流方法。抽取式文本摘要方法的關鍵問題是從原文檔中抽取出重要性高的若干句子。初期以統計學為支撐，隨后提出TF-IDF方法進行單詞的重要性識別以及類似的改進；近3年內提出基于語義方面的改進算法。生成式摘要方法不是單純地利用原文檔中的單詞或短語組成摘要，而是從原文檔中獲取主要思想后以不同的表達方式將其表達出來，自2016年起提出各種深度學習相關算法。

綜上所述，生成式算法研究深度和研究數量還遠遠不夠，有待進一步深化，同時目前生成式摘要研究均是基于DUC、CNN/DailyMail、English Gigaword、SogouCS等一些較為固定的短文本數據集進行評測，生成的摘要多為一句話，并不適用于具有文本字符量大，多句摘要特征的單篇長文本。

發明內容

本發明針對現有專利檢索方面所遇到的海量數據的問題，研發出一種適用于單篇長文本的摘要生成方法，該方法適用于對新聞文本、微博文本、專利文本等單篇長文本進行自動摘要生成，進而便于對海量文本進行進一步篩選、處理。本發明提供了一種基于單篇長文本的摘要生成方法，本發明提供了以下技術方案：

一種基于單篇長文本的摘要生成方法，包括以下步驟：

步驟1：針對待處理的單篇長文本，通過Bert算法構造文本句子的特征向量，確定句子間的余弦相似度；

步驟2：確定文本句子的權重得分，根據文本句子的位置、長度、與標題相似度特征，對文本句子進行權重修正；

步驟3：采用MMR算法對文本句子進行冗余度處理；

步驟4：根據冗余度處理的候選摘要句，進行單篇長文本的摘要生成。

優選地，所述步驟1具體為：