杨双龙,吕学强,李卓,徐丽萍
(1.北京信息科技大学 网络文化与数字传播北京市重点实验室,北京 100101;2. 北京城市系统工程研究中心,北京 100089)
中文专利文献术语自动识别研究
杨双龙1,吕学强1,李卓1,徐丽萍2
(1.北京信息科技大学 网络文化与数字传播北京市重点实验室,北京 100101;2. 北京城市系统工程研究中心,北京 100089)
中文专利文献中含有大量领域术语,对这些术语进行自动识别是信息抽取、文本挖掘等领域的重要任务。该文提出了基于专利文献标题的术语词性规则自动生成方法以及针对候选术语排序的TermRank算法。该方法首先从大量的中文专利文献标题中自动生成词性规则;然后利用生成的词性规则对中文专利文献正文部分进行规则匹配获得候选术语表;再利用提出的TermRank排序算法对候选术语表排序,最终得到术语列表。通过在9 725篇中文专利文献数据上实验,证实了该方法的有效性。
术语自动识别;专利文献;信息抽取;文本挖掘
自动术语识别(Automatic Term Recognition,ATR)是信息抽取研究领域的重要组成部分。它是指通过无人工干预或尽量少的人工干预方法,从自由文本中自动识别出能够代表某个专业领域中一般概念的词汇串的过程。通过术语自动识别技术构建的术语库是非常重要的基础数据资源,为中文分词、本体构建、词典编撰与更新、自动标引、信息检索以及机器翻译等提供不可或缺的数据支持。此外,伴随着信息技术的高速发展,数字化信息资源与日俱增,对这些资源进行术语的自动识别对于及时把握领域最新发展状况及未来发展趋势具有十分重要的意义。……