[发明专利]一种基于词性分析的文本时间信息抽取与规范方法

权利要求书

1.一种基于词性分析的文本时间信息抽取与规范方法，其特征在于在规则上加入词性分析，来提供更高的准确率和召回率，具体包括以下步骤:

S1、构建多个时间词性模版；

S2、文本通过分词工具提取出分词结果和对应词性列表，利用时间信息匹配模版提取出时间信息短语；

S3、根据不同时间词性模版，提取多个时间信息短语，并对提取出来的时间信息短语进行分类；

S4、根据映射规则，输出最后规范化后的结果。

2.根据权利要求1所述的一种基于词性分析的文本时间信息抽取与规范方法，其特征在于时间词性模版具体的表达形式是(*pos_tagging,unit)，unit是时间单位，*pos_tagging是修饰时间单位的词性列表，该参数长度不固定，依据双亲委派原则，优先使用长度较长的模版进行匹配。

3.根据权利要求1所述的一种基于词性分析的文本时间信息抽取与规范方法，其特征在于步骤S1具体为:

S101、从标注好的训练语料中通过nlpir工具，自动生成各种时间信息分词后的结果和对应词性，并将该结果转化成时间词性匹配模版；

S102、提取并总结时间正则模版，用于时间信息提取后的分类问题；

S103、提取并总结时间信息前、中、后，三个位置的介词，形成三种介词模版，用于词性匹配后的修正问题和时间信息提取后的分类问题。

4.根据权利要求2所述的一种基于词性分析的文本时间信息抽取与规范方法，其特征在于根据双亲委派原则，对文本分词后对应的词和词性进行时间词性模版匹配，优先传递给等级高的模版，然后回溯返回结果，每个时间词性模版匹配前都会先判断是否已经匹配成功，只有未匹配成功才会进行匹配，否则直接回溯。

5.根据权利要求1所述的一种基于词性分析的文本时间信息抽取与规范方法，其特征在于步骤S2根据介词模版对匹配结果进行修正，介词包括:前置介词、中置介词和后置介词。其中有些词既可作前置介词，又可作后置介词。

6.根据权利要求1所述的一种基于词性分析的文本时间信息抽取与规范方法，其特征在于步骤S3时间信息短语分类，主要分为五类:日历时间、时钟时间、相对时间、段时间、其他时间。其中，日历时间和时钟时间是具体的时间点，它们的时间表示粒度不同，通常作为参考时间；日历时间最小粒度为天，最大粒度为年；时钟时间最小粒度为秒，最大粒度为小时；相对时间，是需要上下文时间才能确定下的时间；段时间，是指一段时间，从一个时间点到另一个时间点，通常会有明显的中置介词。其他时间，包括模糊时间和一些无法规范的时间。

7.根据权利要求1所述的一种基于词性分析的文本时间信息抽取与规范方法，其特征在于步骤S3时间信息短语分类，通过总结的时间正则模版，对时间信息提取的结果进行分类，具体为:

A、根据日历时间的时间正则模版去匹配，将匹配上的时间信息短语标注上日历时间类别；

B、根据时钟时间的时间正则模版去匹配，将匹配上的时间信息短语标注上时钟时间类别；

C、根据前置介词和后置介词修正的时间信息，直接对时间信息短语标注上相对时间类别并覆盖之前标注的类别；

D、根据中置介词修正的时间信息，直接对时间信息短语标注上段时间类别并覆盖之前标注的类别。

8.根据权利要求1所述的一种基于词性分析的文本时间信息抽取与规范方法，其特征在于步骤S4时间信息映射和规范化，包括时间信息粒度的一一对应，以及对段时间的推理规范化。

9.根据权利要求8所述的一种基于词性分析的文本时间信息抽取与规范方法，其特征在于所述段时间推理规范化可用函数关系式表示:

Result＝Offset*Number*Unit+ContextTime

其中，Result表示规范化后的结果，Offset表示偏移量，Number表示偏移长度，Unit表示时间粒度，ContextTime表示上下文参考时间。

10.根据权利要求8所述的一种基于词性分析的文本时间信息抽取与规范方法，其特征在于时间推理规范化过程中，缺少时间粒度的采用以下方法进行补全:

A、只有时钟时间没有日历时间的情况下，缺少日历时间部分根据上下文参考时间进行补全；

B、只有日历时间没有时钟时间的情况下，直接对时钟时间部分的各个时间粒度置零。