一种面向e-Science环境的多领域Web文本特征抽取系统及方法

摘要

本发明涉及一种面向e-Science环境的多领域Web文本特征抽取系统及方法。该方法包括：步骤1，统计目标文本中的字符频度；步骤2，以字符为基本处理单位，逐一抽取以该字符为起点，以频度为1的字符为终点间的字符串；步骤3，统计每个字符串出现频度，按照出现频度对特征词串进行降序排列并输出。本发明将无词典分词技术引入领域文本的特征发现，有效摆脱了传统方法对于领域词典的依赖，一定程度上增强了本发明在多领域科学数据中的移植性和实用价值。