云南种子植物特有属领域词语相似度算法研究

陆国泉+彭琳+庞雪

摘要：以《同义词词林》为基础，结合云南种子植物特有属领域知识补充了《同义词词林》中该领域的词语，并提出了一种基于同义词词林的词语相似度改进算法。经过测试对比，在植物检索领域该计算方法比一般的基于同义词词林的词语相似度算法更加准确，而且召回率得到了明显提升，更适用于云南种子植物特有属领域信息的检索。

关键词：同义词词林；词语相似度算法；云南；种子植物；特有属

中图分类号：Q949；G354.4 文献标识码：A 文章编号：0439-8114（2017）07-1356-03

DOI：10.14088/j.cnki.issn0439-8114.2017.07.040

Research on Algorithm for Calculating Word Similarity in the Field of Endemic Genera of Seed Plants in Yunnan

LU Guo-quan，PENG Lin，PANG Xue

（Key Laboratory of Agricultural Information Technology in Yunnan，Yunnan Agricultural University，Kunming 650201，China）

Abstract：An improved word similarity algorithm put forward based on cilin combined with the knowledge of the endemic genera of seed plants in Yunnan supplement the words about this field. Experiment results illustrate that this improved algorithm for calculating word similarity based on “cilin” is more precise than general algorithm for calculating word similarity based on “cilin” and recall has been significantly improved. Therefore，this improved algorithm is more suitable for the semantic retrieval system in the field of endemic genera of seed plants in Yunnan.

Key words：cilin；algorithm for calculating word similarity；Yunnan；seed plants；endemic genera

词语语义相似度来源于计算机语言学等领域，它可以度量术语、词汇、概念之间的相似程度，被看作概念在分类上的相似程度[1]。词语语义相似度的计算在语义检索、自动问答、文本聚类等应用中起着重要作用[2-4]。传统的检索方式仍基于关键字匹配和倒排索引[5]，几乎没有任何语义功能。通常，传统检索方式不能理解用户的查询意图，一旦用户输入不准确的查询词就会得到许多不相关的结果。将词语语义相似度计算引入检索系统后，检索系统便具备了语义功能，就算用户输入模糊的查询词，检索系统也能检索出用户所关心的信息。

目前，对于词语语义相似度的计算方法主要集中在以下几方面：①基于統计的方法，假设语义词语相似的词语之间具有相同的上下文关系，以上下文信息的概率分布作为依据，利用词语之间的相关性来计算词语相似度[6]；②基于本体的方法，依据领域内专家建立的领域本体，利用该领域知识的语义树来计算词语间距离词语的相似度[7]；……