[发明专利]一种从文章中获取结构化标签的方法

权利要求书

1.一种从文章中获取结构化标签的方法，其特征在于，包括以下步骤：

S1、依据数据源以及文章信息标签库，按照领域、地域以及时间，创立多个分类，并在每个分类下创立多个单独的特征库，每个特征库包括单独的一个或多个特征词，每个特征库中的特征词任意两个或多个自由组合形成特征词集合圈；

S2、先从文章的全文中截取文章的标题以及首尾段，利用分词法将文章的标题以及首尾段进行分词处理，参考去词库，并利用去词法排除分词后无用的词语，并提取剩余的关键词；

S3、将S2中提出的所有关键词去重后作为一个新的特征库，并在去重前计算出每个关键词出现的词频，将该新的特征库中的所有关键词进行任意自由组合，形成若干个特征词集合圈；

S4、将S3中形成的特征词集合圈与S1中的特征词集合圈进行类比，找到相同和相邻的所有特征词集合圈，对 其中的交集和相差的关键词描述进行组合，形成文章预选的结构化标签；

S5、将文章除了首尾部分的其他部分内容截取出来或分成多个部分随机截取两到三个部分，通过分词系统对于截取的文章内容进行分析后，提取关键词形成新的特征库，按照S3和S4的步骤进行去重、计算词频、形成特征词集合圈、优选关键词、最后形成另一文章预选的结构化标签；

S6、将S4和S5形成的预选的结构化标签进行交集提取，构建成准确的较窄范围的结构化标签，并将S4和S5形成的预选结构化标签进行差集提取，差集提出的结构化标签作为附加补充的结构化标签，便于结构化标签优化及更新。

2.根据权利要求1所述的一种从文章中获取结构化标签的方法，其特征在于：在S1中，每个单独的特征库中设置一个或两个中心特征词，其他特征词与中心特征词相关联。

3.根据权利要求1所述的一种从文章中获取结构化标签的方法，其特征在于：在S1中，每个特征库内的特征词的个数设置为n，则特征词集合圈的个数=，在每个特征库中，每个特征词集合圈中加减一个或两个特征词形成的特征词集合圈为邻近特征词集合圈。

4.根据权利要求1所述的一种从文章中获取结构化标签的方法，其特征在于：在S2中设置有字数统计模块，若文章首段或文章尾段的字数不足200字时，则选择截取文章的首部内容的200字或文章的尾部200字，作为文章首尾段截取内容。

5.根据权利要求1所述的一种从文章中获取结构化标签的方法，其特征在于：所述S3中，提出的词频计算方式如下：

P=n/t，在特征词集合圈中，将P从高到低排序后，选择P排列最高的一至五个关键词作为该文章的标志性特征词集合圈；P为词频，n为单个关键词出现的次数，t为所有关键词出现的次数。

6.根据权利要求1所述的一种从文章中获取结构化标签的方法，其特征在于：在S2中采用的分词法，利用jieba中文分词系统进行分词，且在S2中采用的去词法，对分词进行词性判断，去除部分修饰词、动词。

7.根据权利要求1所述的一种从文章中获取结构化标签的方法，其特征在于：在S2中的关键词提取过程中，涉及到人名、地名、时间、技术术词、特色艺术的词语或组合，进行标记记录形成单独的特征词，进行组合进入特征词集合圈内。