[发明专利]信息获取方法和装置

说明书

本申请实施例公开了信息获取方法和装置。该方法的一具体实施方式包括：获取与目标实体对应的网页在预定时间段内的页面内容；确定所述页面内容是否包括预设风险词表中的风险词；响应于确定所述页面内容包括预设风险词表中的风险词，基于所述页面内容所包括的预设风险词表中的风险词确定与所述目标实体对应的风险信息，其中，所述风险信息包括风险类型，所述预设风险词表中关联存储有风险词以及各风险词的风险类型。可以提高所确定的与目标实体对应的风险信息的准确性。

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及信息获取方法和装置。

背景技术

随着互联网的发展，互联网逐渐成为了主要媒体之一。在互联网时代，无论是关于企业的信息还是关于人的信息都逐渐变得透明。与某个企业相关的信息(例如，企业的员工组成信息、奖惩信息、财务状况信息等)除了通过其官方网站发布的内容进行获取之外，还可以通过用户在互联网综合门户网站、论坛、新闻、博客、微博等发布的关于企业的评论信息来获取。

虽然我们可以通过互联网来获取关于企业或者关于个人的信息，但是通常获取的关于一个企业或者个人的信息是片面的。

发明内容

本申请实施例提出了一种信息获取方法和装置。

第一方面，本申请实施例提供了一种信息获取方法，该方法包括：获取与目标实体对应的网页在预定时间段内的页面内容；确定页面内容是否包括预设风险词表中的风险词；响应于确定页面内容包括预设风险词表中的风险词，基于页面内容所包括的预设风险词表中的风险词确定与目标实体对应的风险信息，其中，风险信息包括风险类型，预设风险词表中关联存储有风险词以及各风险词的风险类型。

在一些实施例中，获取与目标实体对应的网页在预定时间段内的页面内容，包括：抓取预定时间段内的多个预设网页的页面内容；确定所获取的每一个预设网页的页面内容与目标实体的关联度；将与目标实体的关联度大于预定阈值的预设网页的页面内容作为与目标实体对应的网页的页面内容。

在一些实施例中，获取与目标实体对应的网页在预定时间段内的页面内容，包括：从搜索引擎中抓取与目标实体关联的网页的页面内容。

在一些实施例中，页面内容包括标题，以及确定页面内容是否包括预设风险词表中的风险词，包括：确定标题是否包括预设风险词表中的风险词。

在一些实施例中，信息获取方法还包括：若确定页面内容不包括预设风险词表中的风险词，则对标题进行情感分析；若情感分析结果所指示的情感倾向为负向情感倾向，对页面内容进行语义分析；根据语义分析结果确定页面内容所对应的风险类型。

在一些实施例中，风险信息还包括风险系数，信息获取方法还包括：基于目标实体的名称在页面内容中出现的次数、在页面内容中出现的位置确定目标实体的风险系数，其中，风险系数与目标实体的名称在页面内容出现的次数正相关，且目标实体的风险系数与目标实体的名称在页面内容中出现位置的前后顺序负相关。

在一些实施例中，确定页面内容是否包括预设风险词表中的风险词，包括：提取页面内容的关键词；确定预设风险词表中的各风险词是否与关键词相匹配。

在一些实施例中，风险信息还包括风险系数，以及响应于确定页面内容包括预设风险词表中的风险词，基于页面内容所包括的预设风险词表中的风险词确定与目标实体对应的风险信息，包括：响应于预设风险词表中的至少一个风险词与关键词相匹配，基于与关键词匹配的风险词确定与目标实体对应的风险类型及风险系数。

在一些实施例中，风险信息还包括风险等级，预设风险词表关联存储有风险词以及各风险词所对应的风险等级；以及响应于确定页面内容包括预设风险词表中的风险词，基于页面内容所包括的预设风险词表中的风险词确定与目标实体对应的风险信息，包括：基于页面内容所包括的预设风险词表中的风险词确定与目标实体对应的风险类型及风险等级。