33、基于图中心性和WordNet的关键词提取与混合移动学习架构探索

基于图中心性和WordNet的关键词提取与混合移动学习架构探索

基于图中心性和WordNet的关键词提取

在文档处理中，基于图的方法因能轻松计算与领域无关的关键词而得到广泛研究。例如，SemanticRank利用WordNet和Wikipedia的基于知识的度量以及PageRank和Hits的图中心性度量，通过图技术挖掘文档的语义相关性。Boudin的实验表明，简单的图中心性度量（如度中心性）在较短文档的关键词提取中能取得与广泛使用的TextRank算法相当的结果。无监督的基于图的关键词提取在科学文档中很有用，因为通常没有预先存在的数据集。

关键词提取算法方案

我们提出的关键词提取算法基于图连通性度量。为了分离图连通性度量对关键词提取的影响，我们使用了一种通用的消歧算法，该算法参数少，几乎完全依赖图结构来推断词义。我们使用WordNet的词义清单，但基于图的算法和连通性度量并不局限于此词典，其他具有不同词义区分和结构的资源也可作为知识库。

具体操作步骤如下：
1. 解析文档 ：提取文档中的所有单词，去除停用词，选择所有在其同义词集中具有名词含义的单词，并将单词列表初始化为空。
2. 计算关系 ：对于每个单词x，计算其同义词集的上位词和下位词，并与所有已发现的单词进行深度优先搜索（DFS）。如果找到匹配，则认为两个单词之间存在关系。
3. 探索边 ：从最近发现的单词y开始探索边，直到没有新的边可发现。
4. 分析网络 ：使用以下中心性方法分析网络：
- 度中心