[发明专利]商品属性抽取方法及系统

权利要求书

1.一种商品属性抽取方法，其特征在于，包括：

获取原始评论语料；

对所述原始评论语料进行分词和词性标注；

根据所述分词和词性标注的结果以及句法模式特点构建商品属性抽取模板，并基于所述商品属性抽取模板抽取所述原始评论语料中的各个商品属性，再将抽取到的商品属性存储至事务文件中，其中所述商品属性包括名词、名词短语以及动词短语；

采用关联规则对所述事务文件进行扫描，以得到候选商品属性集合I₀；

采用过滤规则对所述候选商品属性集合I₀进行过滤，以得到候选商品属性集合I₄；

对所述候选商品属性集合I₄进行聚类，以得到最终的商品属性集合I₅。

2.根据权利要求1所述的方法，其特征在于，所述获取原始评论语料，包括：

采用八爪鱼采集器抓取商品运营平台的评论数据作为初级原始评论语料；

对所述初级原始语料进行清洗，以过滤掉所述初级原始语料中价值量低的评论，从而得到原始评论语料。

3.根据权利要求1所述的方法，其特征在于，所述对所述原始评论语料进行分词和词性标注，具体为：

采用Python的结巴分词包对所述原始评价语料进行分词和词性标注。

4.根据权利要求1所述的方法，其特征在于，所述事务文件包括第一事务文件及第二事务文件；

所述将抽取到的商品属性存储至事务文件中，具体为：

若抽取到的商品属性为名词，则将所述名词对应的商品属性存储至第一事务文件中；

若抽取到的商品属性为名词短语或/和动词短语，则将名词短语或/和动词短语对应的商品属性存储至第二事务文件中。

5.根据权利要求1所述的方法，其特征在于，所述采用关联规则对所述事务文件进行扫描，以得到候选商品属性集合I₀，具体为：

统计所述各个商品属性在所述事务文件中出现的频率，并过滤掉所述事务文件中低于预设最小支持度的商品属性，得到过滤后的各个商品属性的频繁项集；

对所述频繁项集中的各个商品属性按照支持度降序排序，得到基于所述频繁项集的频繁模式树；

将所述频繁模式树分解为若干条件频繁模式树，对各个条件频繁模式树进行频繁模式挖掘，以得到候选商品属性集合I₀。

6.根据权利要求1或5所述的方法，其特征在于，所述采用过滤规则对所述候选商品属性集合I₀进行过滤，以得到候选商品属性集合I₄，具体为：

采用独立支持度规则过滤所述候选商品属性集合I₀，得到候选商品属性集合I₁；

若所述候选商品属性集合I₁中包含由单个字构成的商品属性，则采用单字剪枝规则删除所述候选商品属性集合I₁中所述由单个字构成的商品属性，得到候选商品属性集合I₂；

根据语义及语法知识，确定频繁项名词且非属性的规则，并根据所述频繁项名词且非属性的规则过滤候选商品属性集合I₂，得到候选商品属性集合I₃；

采用PMI计算公式计算商品名称与所述候选商品属性集合I₃中对应商品属性之间的关联级别，并筛选出与商品名称的关联级别高于第一阈值的商品属性，得到候选商品属性集合I₄，所述PMI计算公式具体为：

其中，PMI(product，attribute)表示商品名称与对应商品属性的关联级别，hit(″product″and″attribute″)表示商品名称和对应商品属性同时出现的次数，hit(″product″)表示商品名称为关键词时单独出现的次数，hit(″attribute″)表示与商品名称对应的商品属性为关键词时单独出现的次数。