[发明专利]用于挖掘数据的方法和装置

权利要求书

1.一种用于挖掘数据的方法，包括：

对获取的医疗知识页面对应的HTML文件进行解析，得到文档对象模型树，其中，所述文档对象模型树包括至少一个树节点；

基于预先设定的第一标签属性，从所述至少一个树节点中确定树节点组成树节点集合；

基于预先设定的第二标签属性，将所述树节点集合划分为至少一个树节点子集合；

对于所述至少一个树节点子集合中的树节点子集合，获取该树节点子集合中树节点的数据，以及使用所获取的数据生成重构节点数据；

基于得到的至少一个重构节点数据，构建针对所述医疗知识页面的内容树。

2.根据权利要求1所述的方法，其中，所述方法还包括：

基于所述内容树，生成由医疗实体、属性和属性值组成的三元组。

3.根据权利要求2所述的方法，其中，所述基于所述内容树，生成由医疗实体、属性和属性值组成的三元组，包括：

依次遍历所述内容树的节点，对所遍历的当前节点执行以下判断步骤：

响应于确定当前节点包括子节点，确定当前节点的子节点中的数据是否与预先设定的属性集合中的属性相匹配；如果匹配，确定当前节点描述的对象为医疗实体，当前节点的子节点描述的对象为所述医疗实体的属性和属性值；获取当前节点和当前节点的子节点中的数据生成包括医疗实体、属性和属性值的三元组。

4.根据权利要求2所述的方法，其中，所述方法还包括：

对于所获取的三元组，执行以下操作中的至少一项，确定该三元组中医疗实体的类别：

基于该三元组中的属性确定该三元组中医疗实体的类别；

基于预先设定的医疗实体类别列表，确定该三元组中医疗实体的类别；

基于命名实体识别结果，确定该三元组中医疗实体的类别。

5.根据权利要求1所述的方法，其中，所述方法还包括：

从所述内容树中识别出疾病类医疗实体和与疾病类医疗实体相关的属性，以及将与疾病类医疗实体相关的属性作为第一属性；

基于预先存储的第一属性和第二属性的对应关系，从第一属性中确定第二属性词条。

6.根据权利要求1所述的方法，其中，所述基于得到的至少一个重构节点数据，构建针对所述医疗知识页面的内容树，包括：

创建根节点，其中，所述根节点的父节点为空；

以所述根节点为当前节点，执行以下构建步骤：针对所述至少一个重构节点数据中未插入的一个重构节点数据，从当前节点开始向上遍历，基于预先设定的第三标签属性，确定与该重构节点数据对应的节点存在父子关系的目标节点；将所述目标节点标记为父节点；将该重构节点数据对应的节点插入到所述目标节点的子节点位置；

以最新插入的节点为当前节点，继续执行所述构建步骤，直至所述至少一个重构节点数据中的重构节点数据全部被插入，得到所述医疗知识页面对应的内容树。

7.一种用于挖掘数据的装置，包括：

解析单元，被配置成对获取的医疗知识页面对应的HTML文件进行解析，得到文档对象模型树，其中，所述文档对象模型树包括至少一个树节点；

第一确定单元，被配置成基于预先设定的第一标签属性，从所述至少一个树节点中确定树节点组成树节点集合；

第二确定单元，被配置成基于预先设定的第二标签属性，将所述树节点集合划分为至少一个树节点子集合；

生成单元，被配置成对于所述至少一个树节点子集合中的树节点子集合，获取该树节点子集合中树节点的数据，以及使用所获取的数据生成重构节点数据；

构建单元，被配置成基于得到的至少一个重构节点数据，构建针对所述医疗知识页面的内容树。

8.根据权利要求7所述的装置，其中，所述装置还包括：

三元组生成单元，被配置成基于所述内容树，生成由医疗实体、属性和属性值组成的三元组。