[发明专利]一种数字化知识挖掘的方法

说明书

技术领域

本发明属于IT领域，它提供一种数字化知识挖掘的方法，使得数字化过程中在几乎不增加成本的情况下，可以获取知识，包括词的分类、认同字及字、词和句子的意义，如挖掘出文献中的所有人名、地名、事件名等及所有字头字、短语、例句、书名等。

数字加工单位通过本发明提供的意义标记方法、着重词标记方法、认同字标记方法，在加工一种文献之前定义所要挖掘的知识点，在加工完成后先通过知识生成模块生成格式规范的知识，再通过知识获取模块挖掘出文献中的分类知识。

背景技术

随着现代计算机通讯、网络技术的迅猛发展，以内容革命为核心的第二次信息革命正在世界各国全面铺开，信息资源数字化成为当代信息社会的必需。读者可以通过网络获取大量的知识，但是数据量太大，虽然可以通过检索缩少范围，但数据仍然是海量的，主要的原因是数据没有被分类，也就是没有建立知识点供游览者聚类。

目前数据内容的知识挖掘已经被越来越多的专家和读者重视，但现有的技术知识挖掘的成本非常的高，它们都是在数字化后由专家或是专人对原文献逐字阅读，然后在相应位置标记知识点。

发明内容

本发明为一种数字化知识挖掘的方法，包括意义挖掘方法、词挖掘方法、认同字挖掘方法。

一、知识标记方法

1.意义标记方法

(1)字体添加signification(意义)属性；

(2)意义属性值可以是：文献名、标题、图像标题、表格标题、正文、索引标题、索引1、索引2、索引3、表格文字、目录1、目录2、目录3、目录4、目录5、目录6、批注主题、批注、页脚、页眉、中缝、参考文献、例句、句子、短语、谚语、成语、习惯用语、词、字、二行小字、三行小字、四行小字、插入字、其它。

(3)有些知识点意义属性需要通过意义说明加以描述。

2.词标记方法

(1)创建着重词标记符，如用XML定义着重符标签为decoration；

(2)着重词包括signification(意义)属性；

(2)着重词包括signification(意义)属性；

(3)意义属性值可以是：人名、地名、事件名、书名、附批注等。

3.认同字标记方法

(1)创建文本认同字属性，通过认同字在文本中的位置标记对应位置的字被认同。

二、知识生成模块

不同数字化加工单位加工完成的原始数据是离散的，通常是存在数据库和数据文件中，格式不统一，通过本发明提供的知识生成模块，将原始数据格式化，便于知识获取。

1.字体意义生成模块：将字体意义原始数据生成规范格式数据。

2.着重词意义生成模块：将着重词意义原始数据生成规范格式数据。

3.认同字生成模块：将认同字原始数据生成规范格式数据。

三、知识获取模块

1.字体意义获取模块：通过字体意义属性及属性值获取知识。

2.着重词意义获取模块：通过着重词属性及属性值获取分类知识。

3.认同字获取模块：通过认同字在文本中的位置获取认同字。

附图说明

图1：知识标记方法。

图2：知识生成模块。

图3：知识获取模块。

图4：英汉词典词目示例。

图5：着重词示例。

图6：认同字示例。

具体实施方式

下面通过示例给出本发明的应用方法：

1.意义挖掘方法

如英汉词典中的词头字型、短语字型、例句字型等，生产线上的输入员在正常输入时，无需考虑知识挖掘的问题，只需正常确认字型即可。如图4。

其中“ad·a·man·tine”是词头；“～chains”是例句；“～spar”是短语。输入员在输入它们时，分别输入为“+1ad·a·man·tine+”、“+2～chains+”和“+3～spar+”，其中“+”是字型控制符；字型后的数字表示的是第几种字型，在这里字型1表示的是词头字型；字型2表示的是例句字型；字型3表示的是短语字型。程序在制作XML文件时，当遇到“+”控制符时，知识生成模块中的字体意义生成模块将控制符“+”转换为对应的标签，转换结果如下：

<font size＝″48″weight＝″bold″signification＝″词头″>

    <text>1ad·a·man·tine</text>

</font>