中文專利文獻(xiàn)術(shù)語抽取

徐 川，施水才，2，房 祥，2，呂學(xué)強，2

（1.北京信息科技大學(xué) 網(wǎng)絡(luò)文化與數(shù)字傳播北京市重點實驗室，北京100101；2.北京拓爾思信息技術(shù)股份有限公司，北京100101）

0 引 言

專利文獻(xiàn)是科技信息的載體，集中體現(xiàn)了科學(xué)技術(shù)的發(fā)展水平，有效利用專利可以提高國家和企業(yè)的發(fā)展速度。快速找出專利文獻(xiàn)中相應(yīng)的技術(shù)信息是有效利用專利文獻(xiàn)的前提。因此，研究專利文獻(xiàn)術(shù)語的抽取技術(shù)越來越受到研究者們的關(guān)注，專利文獻(xiàn)中的術(shù)語體現(xiàn)和承載了專利文獻(xiàn)的技術(shù)信息。同時，通過所提取的專利文獻(xiàn)術(shù)語，可以構(gòu)建專利領(lǐng)域敘詞表，也可以進(jìn)一步對專利文獻(xiàn)進(jìn)行分類，識別不同專利文獻(xiàn)之間的相互關(guān)系。

目前，國內(nèi)外相關(guān)學(xué)者對于術(shù)語提取做了很多研究。主要是基于規(guī)則和統(tǒng)計的方法。文獻(xiàn) ［1－3］中都提到采用條件隨機場的方式抽取術(shù)語，文獻(xiàn) ［4］提出隱馬爾科夫模型的中文泛術(shù)語識別和提取，雖然這兩種方法抽取正確率和召回率較高，但都需要人工進(jìn)行標(biāo)注，人工標(biāo)注的質(zhì)量決定了術(shù)語抽取的質(zhì)量。文獻(xiàn) ［5，6］介紹采用互信息的方式抽取術(shù)語，但當(dāng)遇到常用搭配但非術(shù)語時，并未做相應(yīng)的處理。文獻(xiàn) ［7］采用分隔符的方法進(jìn)行抽取，該方法需要大量已知的術(shù)語進(jìn)行分隔符抽取，而且只能抽取與分隔符相鄰的術(shù)語。文獻(xiàn) ［8］提出采用術(shù)語部件庫的方法抽取術(shù)語，對于不包含已知的部件庫的術(shù)語，該方法無法處理。文獻(xiàn) ［9－10］在術(shù)語抽取的過程中都用到了TFIDF算法，這個算法對于提取單篇文獻(xiàn)中的術(shù)語不適用。文獻(xiàn)［11］采用正則表達(dá)式抽取術(shù)語，對于不符合正則表達(dá)式的術(shù)語將無法抽取。文獻(xiàn) ［12］采用混合策略的方式抽取術(shù)語，但在抽取的過程中需要大量的空間。

針對以上方法存在的不足，本文提出基于字符串之間的邊界結(jié)合度、字符串之間的串邊結(jié)合度同雙字詞性過濾方法相融合抽取中文專利術(shù)語的方法。

1 專利文獻(xiàn)中術(shù)語的特點

定義1 術(shù)語表示某一學(xué)科領(lǐng)域內(nèi)概念或關(guān)系的詞語。

1.1 術(shù)語構(gòu)成的特點

（1）中文術(shù)語一般是由名詞、動詞和形容詞等詞性組合而成，并且中文術(shù)語的詞性組合中，術(shù)語一般都是以名詞性的字符串作為結(jié)尾。如：“同步電機／n轉(zhuǎn)子／n”、“啟動／v模塊／n”、“最小／a均方／n”。

（2）術(shù)語長度的特點。術(shù)語一般由2－6個字組成。

（3）在專利文獻(xiàn)中，專利作者使用的專業(yè)術(shù)語和自組術(shù)語所占比例較多，采用現(xiàn)有分詞工具對專利文獻(xiàn)進(jìn)行分詞結(jié)果不會很好，文獻(xiàn)中很多的專業(yè)術(shù)語和專利作者使用的自組術(shù)語將不能被識別。如：

本／rz發(fā)明／un所／usuo提出／v轉(zhuǎn)向／un盤／qv機電式／n助力器／un最／d接近／un的／ude1現(xiàn)有／vn技術(shù)／un是／vshi一種／un轉(zhuǎn)向／un盤／v機電式／n助力器／un，……，／wd其中／rz的／ude1扭力／n桿／ng被／pbei設(shè)計／un為／p力矩／un傳感器／un感測元件／n的／ude1形式／n，／wd輸入／un軸／n和／cc輸出／un軸／n與／cc轉(zhuǎn)向／un盤／qv相／d聯(lián)接／un，……；／wf以及／cc控制單元／un，／wd該／rz控制單元／un的／ude1輸入／un端口／un與／cc力矩／un傳感器／un以及／cc電動機／un轉(zhuǎn)子／un位置傳感器／un的／ude1輸出／un端口／un相連／un接／v，……

從上可以看出，由于專利術(shù)語一般較長，并且大部分是專利作者根據(jù)自身的需要構(gòu)建的自組術(shù)語，這些術(shù)語往往被現(xiàn)有的分詞工具分成多個詞。

1.2 術(shù)語上下文特點

在中文術(shù)語的構(gòu)成方式中，只可能出現(xiàn)連續(xù)的名詞詞性構(gòu)成的字符串，而其它詞性的字符串往往不會在術(shù)語中連續(xù)出現(xiàn)。如 “機械程控裝置”為 “機械／n程控裝置／n”，“紅外線酒精傳感器”為 “紅外線／n酒精／n傳感器／n”，它們都是名詞詞性的字符串相組合而成的術(shù)語，而 “處理單元”為 “處理／v單元／n”， “高電位”為 “高／a電位／n”，分別是 “V＋N”和 “A＋N”這兩種組合方式構(gòu)成的術(shù)語，在 “V＋N”構(gòu)成方式前一般不能再加 “V”和其它非名詞詞性的詞，在 “A＋N”構(gòu)成方式前不能再加 “A”和其它非名詞詞性的詞。

2 字符串之間結(jié)合強度計算方法

術(shù)語往往是由多個有序字符串組合而成，組成術(shù)語的多個有序字符串在同一篇文獻(xiàn)中結(jié)合強度一般較大，而不能組成術(shù)語的有序字符串之間的結(jié)合度一般較小，因此，通過計算具有前后關(guān)系的字符串之間的內(nèi)部結(jié)合強度，可以作為判斷有序字符串能否組合成術(shù)語的標(biāo)準(zhǔn)。

2.1 邊界結(jié)合度計算方法

定義2 字符串邊界，即一個字符串對應(yīng)的首尾單個字。

定義3 邊界結(jié)合度，在同一篇文獻(xiàn)中，前后有序的兩個字符串，字符串相鄰邊界之間的結(jié)合強度。

在同一篇文獻(xiàn)中，選取出現(xiàn)頻次在兩次及以上的詞或詞組，記為S＝S1S2，其中S1＝WaWb…Wn，S2＝WAWB…WN。例如，字串S＝ “直流電動機”，S1＝ “直流”，S2＝ “電動機”。記ic（WnWA）為字符串S1與字符串S2在對應(yīng)單篇文獻(xiàn)中的邊界結(jié)合度，F(xiàn) （Wn）表示字Wn在對應(yīng)單篇文獻(xiàn)中出現(xiàn)的頻次，F(xiàn) （WA）表示字WA在對應(yīng)單篇文獻(xiàn)中出現(xiàn)的頻次，F(xiàn) （WnWA）表示字符串WnWA在對應(yīng)單篇文獻(xiàn)中出現(xiàn)的頻次。

字符串S1與字符串S2之間的邊界結(jié)合度ic（WnWA）的計算方法如式 （1）

如果ic（WnWA）偏大，說明字Wn、字WA中的謀個字的出現(xiàn)往往與另一個字相伴出現(xiàn)，說明兩個字結(jié)合緊密，在一定程序上反應(yīng)字符串S1與字符串S2結(jié)合緊密。反之，如果ic（WnWA）偏小在一定程度上說明字符串S1與字符串S2之間的結(jié)合不緊密。

2.2 串邊結(jié)合度計算方法

定義4 串邊結(jié)合度，即在同一篇文獻(xiàn)中，前后有序的兩個字符串，字符串相鄰邊界組成的詞與相鄰邊界的上文或下文的結(jié)合強度。

在同一篇文獻(xiàn)中，選取出現(xiàn)頻次在兩次及以上的詞或詞組，記為S＝S1S2，其中S1＝WaWb…Wn，S2＝WAWB…WN。例如，字串S＝ “耦合層”，S1＝ “耦合”，S2＝“層”。記is（WnWA）為字符串S1與字符串S2在對應(yīng)單篇文獻(xiàn)中的串邊結(jié)合度，F(xiàn) （S1）表示字符串S1在對應(yīng)單篇文獻(xiàn)中出現(xiàn)的頻次，F(xiàn) （S2）表示字符串S2對應(yīng)單篇文獻(xiàn)中出現(xiàn)的頻次，F(xiàn) （WnWA）表示字符串WnWA在對應(yīng)單篇文獻(xiàn)中出現(xiàn)的頻次。

字符串S1與字符串S2之間的串邊結(jié)合度is（WnWA）的計算方法如式 （2）

如果is（WnWA）偏大，說明字符串S1的出現(xiàn)后極有可能WA相續(xù)出現(xiàn)或者字Wn出現(xiàn)之后極有可能字符串S2相續(xù)出現(xiàn)，說明至少有一個字和另一個串結(jié)合緊密，因此，在一定程序上反應(yīng)字符串S1與字符串S2結(jié)合緊密。反之，如果is（WnWA）偏小在一定程度上說明字符串S1與字符串S2結(jié)合不緊密。

3 術(shù)語雙字詞性過濾法

通過計算字符串之間的結(jié)合度，能夠找出字符串間結(jié)合強的有序字符串，但對于常用來修飾或限定同一術(shù)語的字符串與術(shù)語之間的結(jié)合度也比較強，由于這些字符串往往是非名詞詞性的串，并且這些字符串的長度一般為2，因此，本文提出術(shù)語雙字詞性過濾的方法對計算結(jié)果進(jìn)行修正，提高術(shù)語提取的準(zhǔn)確性。

根據(jù)構(gòu)成術(shù)語的詞性特點和本文提出的正向雙字切分和逆向雙字切分的方法。本文實現(xiàn)術(shù)語雙字詞性過濾法如下：

步驟1 對于長度在3及3以上的字符串S＝W1W2…Wn采用正向雙字切分，經(jīng)過切分S＝S1S2…St，其中t＝［n／2］，S1＝W1W2，S2＝W3W4…，當(dāng)n為偶數(shù)時St＝Wn－1Wn，當(dāng)n為奇數(shù)時St＝Wn。如 “數(shù)字邏輯單元”，它經(jīng)正向雙字切分得到 “數(shù)字”、“邏輯”、“單元”。

步驟2 判斷S1的詞性，若為 “n”，則認(rèn)為字符串S正向合法；若字符串S1的詞性為 “nr”、“nz”、“vn”、“a”、“v”、“b”中的一種的情況，字符串S2的長度為1時，則認(rèn)為字符串S正向合法；若字符串S1的詞性為 “nr”、“nz”、“vn”、“a”、“v”、“b”中的一種的情況，字符串S2的詞性為 “n”則認(rèn)為字符串S正向合法；若字符串S1的詞性為 “nr”、“nz”、“vn”、“a”、“v”、“b”中的一種的情況，字符串S2在詞性集合中沒有對應(yīng)項，則認(rèn)為字符串S正向合法；如果字符串S都不滿足以上任何一條，剛認(rèn)為字符串S正向不合法。對于正向合法的字符串轉(zhuǎn)到執(zhí)行步驟4，對于正向不合法的字符串將其轉(zhuǎn)到執(zhí)行步驟3。

步驟3 對于給定的正向不合法的字符串S＝S1S2…St，字符串S去除S1，即S’＝S2…St，對于去除S1后的字符串S’，如果其長度小于3，將整個字符串拋棄，結(jié)束對整個字符串的處理，如果其長度在3及3以上將其轉(zhuǎn)到步驟1執(zhí)行處理。

步驟4 對于經(jīng)過正向判斷合法的字符串S＝W1W2…Wn，將字符串S進(jìn)行逆向雙字切分，S＝S1S2…St，其中t＝BXW1，…，St＝Wn－1Wn，當(dāng)n為偶數(shù)時，S1＝W1W2，…，St＝Wn－1Wn。如 “控制器”經(jīng)逆向雙字切分為 “控”、“制器”。

步驟5 判斷St的詞性，若St的詞性為 “n”或St不存在于詞表中，則認(rèn)為字符串S逆向合法，否則不合法。對于不合法的，將其轉(zhuǎn)至步驟6。如果合法轉(zhuǎn)至步驟7。

步驟6 對于給定逆向不合法的字符串S＝S1S2…St，去除St，即S＝S1S2…St－1。若此時字符串S的長度小于3，則將其拋棄，結(jié)束對整個字符串的處理。若此時字符串S的長度在3及3以上，將S轉(zhuǎn)至步驟4進(jìn)行處理。

步驟7 剩余字符串有效，結(jié)束執(zhí)行。

對于候選術(shù)語字符串，經(jīng)過上述步驟驗證后，余下的本文認(rèn)為是有效字符串。

4 實驗及結(jié)果

4.1 實驗步驟

文的語料采用某專利公司提供的1248篇專利文獻(xiàn)，大小為14.4M。通過ICTCLAS對專利文獻(xiàn)進(jìn)行分詞及詞性標(biāo)注，統(tǒng)計單篇文獻(xiàn)中出現(xiàn)的所有詞匯，并去除停用詞、頻次僅為1和不必要的詞性如 “wky”、“wkz”、“t”所標(biāo)注的字符串。

對于統(tǒng)計結(jié)果中存在的字符串，如S1＝ “信號”及S2＝ “分量”采用式 （3）獲得的拼接結(jié)果S為 “信號分量”和 “分量信號”。在對應(yīng)文獻(xiàn)中去查找，若 “信號分量”和 “分量信號”在對應(yīng)文獻(xiàn)中出現(xiàn)頻次大于1時就將其保留并存入對應(yīng)文獻(xiàn)的候選詞集Word1中

在對應(yīng)候選詞集Word1的基礎(chǔ)之上，選取Word1中的字符串作為S1，選取對應(yīng)文獻(xiàn)統(tǒng)計結(jié)果中出現(xiàn)頻次在兩次及以上的字符串作為S2，按式 （3）再次進(jìn)行拼結(jié)。對于拼結(jié)的字符串，如果字符串在對應(yīng)文獻(xiàn)中出現(xiàn)的頻次在兩次及兩次以上，則將其保留并存入對應(yīng)文獻(xiàn)的候選詞集Word2中。

再次選取候選詞集Word1中字符串，把其中的字符串按式 （3）進(jìn)行拼結(jié)。如S1＝ “信號分量”及S2＝ “計算機信號”，對于拼結(jié)的結(jié)果字符串，如果其在對應(yīng)文獻(xiàn)中出現(xiàn)的頻次在兩次及在兩次以上，則將其保留并存入候選集合Word3中。

對于候選集Word1中的字符串，采用式 （1）和式（2）計算字符串之間的結(jié)合度，對于大于指定閾值的字符串，保留在初選合法集。對于候選集Word2和候選集Word3中的字符串，如取候選集Word2中的字符串S’，S’＝ “計算機 信號分量”，若 “計算機 信號”和 “信號分量”都在初選合法集中，則將S’存放入初選合法集，否則將其拋棄。

對于初選合法集中的字符串，如S＝S1’＋S2’＋S3’，如果S1’的長度大于1，則認(rèn)為S首部合法；若S1’長度為1，為判斷其是否合法，本文采用準(zhǔn)確度高的 《PFR人民日報標(biāo)注語料庫》一月的熟語料，S1’在語料中作為詞首部的概率大于其作為詞尾部概率，大于其作為詞中部的概率，則認(rèn)為S首部合法。否則，將S1’刪除，即S＝S2’＋S3’。如果S的長度個數(shù)小于3個字則將其拋棄，否則繼續(xù)對S進(jìn)行首部合法判斷。

對于首部合法的候選術(shù)語字符串，采用術(shù)語雙字詞性過濾法對其進(jìn)行修正，對于修正的結(jié)果字符串，本文中將其認(rèn)定為術(shù)語。

4.2 結(jié)果及分析

本文在計算字符串之間的結(jié)合強度時都是在字符串對應(yīng)的單篇文獻(xiàn)中的基礎(chǔ)之上進(jìn)行計算。因此，本文提出單篇準(zhǔn)確率、單篇召回率、平均召回率、平均召回率評價指標(biāo)。

定義5 單篇準(zhǔn)確率，即某單篇文獻(xiàn)中，正確識別的術(shù)語數(shù)Nr與對應(yīng)文獻(xiàn)中識別的所有術(shù)語數(shù)Nt之比

定義6 單篇召回率，即某單篇文獻(xiàn)中，正確識別的術(shù)語數(shù)Nr與對應(yīng)文獻(xiàn)中所有出現(xiàn)的術(shù)語數(shù)Na之比

定義7 平均準(zhǔn)確率，所有統(tǒng)計的文獻(xiàn)中，所有正確識別的術(shù)語數(shù)之和與所有識別數(shù)之和的比

定義8 平均召回率，所有統(tǒng)計的文獻(xiàn)中，正確識別術(shù)語數(shù)之和與統(tǒng)計文獻(xiàn)中術(shù)語數(shù)之和的比

本文隨機選取14篇專利文獻(xiàn)的結(jié)果進(jìn)行統(tǒng)計分析，具體結(jié)果見表1和表2。

表1 單篇準(zhǔn)確率與單篇召回率實驗結(jié)果

表2 平均準(zhǔn)確率與平均召回率統(tǒng)計結(jié)果

其中，Pa表示文獻(xiàn)總數(shù)；Ntr表示所有文獻(xiàn)中識別的術(shù)語總數(shù)；Ncr表示所識別的術(shù)語中正確的總數(shù)；Ntp表示文獻(xiàn)中術(shù)語的總數(shù)。

從上統(tǒng)計結(jié)果可以看出本文提出的融合邊界結(jié)合度、串邊結(jié)合度、雙字詞性過濾法提取術(shù)語具有較好的效果。但也存在一定的誤識別，對于錯誤識別為術(shù)語的字符串主要有兩類。一類是由專利文獻(xiàn)中詞語之間的常用搭配引起，如 “本發(fā)明”， “實施例”， “本”和 “發(fā)”、 “施”和 “例”在文中一般連續(xù)出現(xiàn)，結(jié)合強度較大，導(dǎo)致識別錯誤。另一類詞語是動賓結(jié)構(gòu)如 “用電容”、 “用電線”， “發(fā)出信號”，在文章中出現(xiàn)的頻次較低，而且這些動詞在對應(yīng)的句子中起到謂語的作用，但是在識別的過程中 “動詞＋名詞”的結(jié)構(gòu)且動詞與名詞結(jié)合強度較大，在本文被識別為術(shù)語，從而導(dǎo)致識別錯誤。

5 結(jié)束語

本文從組成術(shù)語的字符串之間的結(jié)合強度出發(fā)，提出了字符串之間的邊界結(jié)合度、串邊結(jié)合度的概念及其計算方法；同時根據(jù)組成術(shù)語字符串的詞性規(guī)律，本文提出了雙字詞性過濾方法。在本文中，將邊界結(jié)合度、串邊結(jié)合度與雙字詞性過濾法相融合，提取專利文獻(xiàn)中的術(shù)語。實驗結(jié)果表明所采用的方法取得了較好的效果。但也存在一定的誤識別，因此需要進(jìn)一步改進(jìn)，下一步打算結(jié)合語義分析，在對應(yīng)文獻(xiàn)中正確識別出動賓結(jié)構(gòu)，提高正確率。

：

［1］LIU Bao，ZHANG Guiping，CAI Dongfeng.Technical term automatic extraction research based on statistics and rules ［J］.Computer Engineering and Application，2008，44 （23）：147－150（in Chinese）.［劉豹，張桂平，蔡東風(fēng).基于統(tǒng)計和規(guī)則相結(jié)合的科技術(shù)語自動抽取研究 ［J］.計算機工程與應(yīng)用，2008，44 （23）：147－150.］

［2］JIA Meiying，YANG Bingru，ZHENG Dequan，et al.Research on automatic military intelligence term extraction using CRF model［J］.Computer Engineering and Application，2009，45（32）：126－129 （in Chinese）.［賈美英，楊炳儒，鄭德權(quán)，等.采用CRF技術(shù)的軍事情報術(shù)語自動抽取研究 ［J］.計算機工程與應(yīng)用，2009，45 （32）：126－129.］

［3］TANG Tao，ZHOU Qiaoli，ZHANG Guiping.Term extraction based on the combination of statistics and rules ［J］.Journal of Shenyang Aerospace University，2011，28 （5）：71－74 （in Chinese）.［唐濤，周俏麗，張桂平.統(tǒng)計與規(guī)則相結(jié)合的術(shù)語抽 取 ［J］.沈 陽 航 空 航 天 大 學(xué) 學(xué) 報，2011，28 （5）：71－74.］

［4］CEN Yonghua，HAN Zhe，JI Peipei.Chinese term recognition based on hidden Markov model ［J］.New Technology of Library And Information Service，2008 （12）：54－58 （in Chinese）.［岑詠華，韓哲，季培培.基于隱馬爾科夫模型的中文術(shù)語識別研究［J］.情報分析與研究，2008 （12）：54－58.］

［5］LIANG Yinghong，ZHANG Wenjing，ZHANG Youcheng.Term recognition based on integration of C value and mutual information ［J］.Computer Applications and Software，2010，24 （7）：108－110 （in Chinese）. ［梁穎紅，張文靜，張有承.C值和互信息相結(jié)合的術(shù)語抽取 ［J］.計算機應(yīng)用與軟件，2010，24 （7）：108－110.］

［6］CHEN Shichao，YU Bin.Method of mutual information filtration with dual－threshold for term extraction ［J］.Journal of Computer Applications，2011，31 （4）：1070－1073 （in Chinese）.［陳士超，郁濱.面向術(shù)語抽取的雙閾值互信息過濾方法 ［J］.計算機應(yīng)用，2011，31 （4）：1070－1073.］

［7］LIU Li，LIU Xiaoming.Extraction of domain－specific phenomenal terms based on separator and contextual terms ［J］.Journal of South China University of Technology （Natural Science Edition），2009，39 （7）：145－149 （in Chinese）.［劉里，劉小明.基于分隔符和上下文術(shù)語的領(lǐng)域現(xiàn)象術(shù)語抽取 ［J］.華南理工大學(xué)學(xué)報 （自然科學(xué)版），2009，39 （7）：145－149.］

［8］HE Yan，SUI Zhifang，DUAN Huiming，et al.Term mining combining term component bank ［J］.Computer Engineering and Application，2006 （33）：4－7 （in Chinese）.［何燕，穗志方，段慧明，等.一種結(jié)合術(shù)語部件庫的術(shù)語提取方法 ［J］.計算機工程與應(yīng)用，2006 （33）：4－7.］

［9］ZHAI Dufen，LIU Baisong.Automatic domain－specific term extraction in administrative－domain ontology ［J］.New Technology of Library and Information Service，2010，191 （4）：59－65（in Chinese）.［翟篤風(fēng)，劉柏嵩.政務(wù)領(lǐng)域本體術(shù)語的自動抽取 ［J］.現(xiàn)代圖書情報技術(shù)，2010，191 （4）：59－65.］

［10］GU Jun，WANG Hao.Study on term extraction on the basis of Chinese domain texts ［J］.New Technology of library and Information Service，2011，204 （4）：29－34 （in Chinese）.［谷俊，王昊.基于領(lǐng)域中文文本的術(shù)語抽取方法研究 ［J］.現(xiàn)代圖書情報技術(shù)，2011，204 （4）：29－34.］

［11］CHENG Lanlan.The study of large－scale web term－pairs extraction based on regular expressions ［J］.Journal of Information，2008 （11）：62－68 （in Chinese）.［程嵐嵐.基于正則表達(dá)式的大規(guī)模網(wǎng)頁術(shù)語對抽取研究 ［J］.情報雜志，2008（11）：62－68.］

［12］WEN Chun，WANG Xiaobin，SHI Zhaoxiang.Automatic domain－specific term extraction in Chinese domain ontology learning ［J］.Application Research of Computers，2009，26 （7）：2652－2655 （in Chinese）.［溫春，王曉斌，石昭祥.中文領(lǐng)域本體學(xué)習(xí)中術(shù)語年自動抽取 ［J］.計算機應(yīng)用研究，2009，26 （7）：2652－2655.］