[发明专利]确定文档中核心地理信息的方法、系统

说明书

技术领域

本发明涉及数据处理技术领域，特别涉及一种确定文档中核心地理信息的 方法、系统。

背景技术

互联网提供的按照关键字搜索等类似服务中，例如一些聚合类新闻、资讯 的内容提供中，可以实现按照地理信息提供文档内容。

上述互联网提供的服务中，在将文档按照地理信息分类的阶段，现有技术 仅仅是萃取出文档中出现的地理信息。而同一文档中，可能出现多个不同的地 理信息。这时，如果仅是萃取地理信息，则文档中可能萃取出若干不同的地理 信息。而一般地，同一文档数据中，描述的内容应当具有一个中心地理信息。 例如，在谈到四川地震新闻的文档数据中，会萃取得到四川这一地理信息，但 是，同时该新闻中还可能谈到其它省、市对四川的援助，则按照现有技术的方 式，还会萃取得到例如广东、北京这些地理信息。这样，按照萃取出的地理信 息，则可能将这一类的文档内容作为发生在北京或广东境内的新闻(或资讯) 来提供。显然地，在所有萃取到的不同地理信息中，应当存在一个核心地理信 息，例如上面的例子中四川应当是核心地理信息，而不是其它地理信息。

在对现有技术的研究和实践过程中，发明人发现现有技术中存在以下问 题：

由于现有技术仅仅是萃取出文档中出现的地理信息，则对于同一篇文档中 出现的多个地理信息，会萃取出多个地理信息，而并不能区分这些地理信息中 适于当前文档内容的真正核心地理信息。这样会导致基于地理信息萃取的服 务，例如搜索，聚合类新闻、资讯的内容提供等，出现不准确的结果。

发明内容

本发明实施例的目的是提供一种确定文档中核心地理信息的方法、系统， 以实现确定文档内容中准确的核心地理信息。

为解决上述技术问题，本发明实施例提供一种确定文档中核心地理信息的 方法、系统是这样实现的：

一种确定文档中核心地理信息的方法，包括：

按照文档中各地理名词出现的频率，并根据预定义的位置权重计算各地理 名词的分值；

根据预置的地理信息库，计算所述各地理名词隶属的级别相同的行政区划 的分值；所述地理信息库中存储有地理名称以及所有地理名称间的隶属关系；

将分值最高的所述行政区划下分值最高的地理信息确定为所述文档的核 心地理信息。

优选地，所述方法中，所述按照文档中各地理名词出现的频率，并根据预 定义的位置权重计算各地理名词的分值，包括：

将文档各地理信息的分值确定为该地理信息出现频率数与按照出现位置 对应权重之和。

优选地，所述方法中，所述按照出现位置对应权重包括：

在标题中出现时权重为3，在正文第一段出现时权重为2，在正文其它部 分中出现时权重为1。

优选地，所述方法中，所述按照文档中各地理名词出现的频率，并根据预 定义的位置权重计算各地理名词的分值，还包括：

对于连续出现的地理名词，将其中每一个地理名词对应分值增加一个预设 值。

优选地，所述方法中，所述按照文档中各地理名词出现的频率，并根据预 定义的位置权重计算各地理名词的分值，还包括：

如果文档中的地理名词的前后紧邻的文字中存在预置的新闻机构名称表 中的词汇，则将所述地理名词的该次出现忽略。

一种确定文档中核心地理信息的方法，包括：

按照文档中各地理名词出现的频率，并根据预定义的位置权重计算各地理 名词的分值；

将分值最大的地理名词确定为所述文档的核心地理信息。

优选地，所述方法中，所述按照文档中各地理名词出现的频率，并根据预 定义的位置权重计算各地理名词的分值，包括：

将文档各地理信息的分值确定为该地理信息出现频率数与按照出现位置 对应权重之和。

优选地，所述方法中，所述按照出现位置对应权重包括：

在标题中出现时权重为3，在正文第一段出现时权重为2，在正文其它部 分中出现时权重为1。

优选地，所述方法中，所述按照文档中各地理名词出现的频率，并根据预 定义的位置权重计算各地理名词的分值，还包括：

对于这些连续的地理名词，将其中每一个地理名词对应分值增加一个预设 值。

优选地，所述方法中，所述按照文档中各地理名词出现的频率，并根据预 定义的位置权重计算各地理名词的分值，还包括：