[发明专利]基于百度百科的电网领域短语识别分类方法、系统

说明书

本发明公开了一种基于百度百科的电网领域短语识别分类方法、系统，其中方法包括：从给定的语料C中提取出出现频次大于或等于阈值t的短语视为高频候选短语；对提取到的所述高频候选短语进行冗余短语过滤；从互联网上的百度百科中爬取经短语过滤后剩余的各所述高频候选短语对应的词条解释，并将无法爬取到所述词条解释的所述高频候选短语视为非法短语予以剔除，将能够爬取到所述词条解释的所述高频候选短语视为合法短语予以保留；通过预先训练的电网领域短语识别分类模型，对被视为合法短语的所述高频候选短语进行识别分类，输出电网领域短语。本发明实现了从语料中对电网领域短语的精准识别、提取。

技术领域

本发明具体涉及数据挖掘技术领域，尤其涉及一种基于百度百科的电网领域短语识别分类方法、系统。

背景技术

随着我国电网建设规模越来越大，电网管理的难度也随之提高。电网系统操作人员需要经过严格地培训才能掌握现有系统的操作方法。操作员在进行具体的电网调度操作时，需查看电网调度规程作为操作依据，只有经过长时间的实践调度操作，操作员才能够熟悉电网调度规程，在短时间内发出正确的调度操作指令。

为了提高电网调度的效率，减小人工调度带来的滞后性问题，近些年，电网调度自动化成为研究热点。知识图谱作为近年来兴起的一种知识存储与检索技术，能够通过语义检索、逻辑推理返回用户查询结果，开始被广泛应用于各个技术领域。通过挖掘电网调度规则构建电网调度知识图谱，则能根据电网设备运行状态及运行条件从电网调度知识图谱中快速检索出相应的调度操作，可以极大地提高调度人员的工作效率，降低对调度人员调度经验的依赖。

然而，目前构建电网知识图谱的方法并不完善，在真实的调度环境中无法根据电网设备运行状态及运行条件并基于电网调度规则快速地从电网知识图谱中检索出相应的调度操作，其中一个重要的原因是电网领域短语较为专业、复杂，普通的短语提取方法难以准确地从语料中或文本中提取出电网领域短语。而且现有的短语提取方法通常需要大量的语料进行模型训练，然后根据训练的识别模型对短语进行内容识别、分类，但电网领域短语的字符较短，无法提供大量的语料进行模型训练，造成现有的短语提取方法对电网领域短语的识别分类效果较差。

发明内容

本发明的目的在于提供一种基于百度百科的电网领域短语识别分类方法、系统，以解决上述技术问题。

为了实现上述目的，本发明采用如下技术方案：

提供一种基于百度百科的电网领域短语识别分类方法，包括如下步骤：

步骤S1，从给定的语料C中提取出出现频次大于或等于阈值t的短语视为高频候选短语；

步骤S2，对提取到的所述高频候选短语进行冗余短语过滤；

步骤S3，从互联网上的百度百科中爬取经短语过滤后剩余的各所述高频候选短语对应的词条解释，并将无法爬取到所述词条解释的所述高频候选短语视为非法短语予以剔除，将能够爬取到所述词条解释的所述高频候选短语视为合法短语予以保留；

步骤S4，通过预先训练的电网领域短语识别分类模型，对被视为合法短语的所述高频候选短语进行识别分类，输出电网领域短语。

作为本发明的一种优选方案，所述步骤S1中，对所述高频候选短语的具体提取过程包括如下步骤：

步骤S11，从给定的所述语料C中获取长度为L1的短语p1，并将所获取的所述短语p1存储在字典Index中；

步骤S12，对所述字典Index进行短语搜索，以从所述字典Index中搜索出在所述语料C中的出现频次大于或等于所述阈值t的所述短语p1视为第一高频候选短语并提取到一结果集R中；

步骤S13，判断所述字典Index中是否还存在未搜索区域，

若是，则进入步骤S14；