基于边界标记集的专利文献术语抽取方法

来源：计算机工程与科学杂志2015年第8期北京时间：

作者：丁杰1，吕学强1，刘克会2

单位：1.北京信息科技大学网络文化与数字传播重点实验室，北京 100101；2.北京城市系统工程研究中心，北京100035

摘要：目前，大部分术语边界的确定方法是通过选取合适的统计量，设置合适的阈值计算字符串之间的紧密程度，但该类方法在抽取长术语时不能得到很好的效果。为了解决在术语抽取过程中长术语抽取召回率低的问题，在研究了大量专利文献的基础上，提出了一种基于专利术语边界标记集的术语抽取方法。方法中提出了边界标记集的概念，并结合专利文献中术语边界的特点构建专利术语边界标记集；提出了一种种子术语权重计算方法抽取种子术语；使用人民日报语料作为对比语料抽取专利文献术语部件词库，提高候选术语的术语度；最后采用左右边界熵的方法对识别出的术语进行过滤。实验表明，所提出的方法具有较好的实验结果，正确率81.67%，召回率71.92%，F值0.765，较对比实验有较大提高。

关键词：边界标记集,种子术语,部件库,左右边界熵,

基金资助：国家自然科学基金资助项目(61271304)；北京市教委科技发展计划重点项目暨北京市自然科学基金B类重点资助项目(KZ20131123237)； 北京市属高等学校创新团队建设与教师职业发展计划资助项目（IDHT20130519）