[发明专利]一种网页信息相关地域的识别方法

摘要

本发明公开了一种网页信息相关地域的识别方法。本方法为1)建立一区域信息本体，2)提取所爬取的网页信息的元数据信息以及正文内容，并对提取的信息标题和正文内容进行分词；3)对词语中表示处所的地名代词进行解析，判断地名代词与其前面出现的地理名词之间是否存在指代关系，如果存在，则将地名代词替换为相应的地理名词；4)对经过分词所得词语中非标准地名词语进行解析，将非标准词语替换为标准词语；5)基于区域信息本体对相对位置区域信息进行解析，得到准确的地名词语；6)基于区域信息本体，对解析后的网页信息进行判断处理，将网页信息归入匹配成功的区域。本发明大大提高了网页信息相关区域识别的准确度。

主权项

一种网页信息相关地域的识别方法，其步骤为：1)按照行政区划建立一区域信息本体，并对本体中的每个实例分别建立一附加表；2)提取所爬取的网页信息的元数据信息以及正文内容，并采用分词器对元数据信息中的信息标题和正文内容进行分词；3)对经过分词所得词语中表示处所的代词进行解析，用一判断模型判断代词与其前面出现的地理名词之间是否存在指代关系，如果存在，则将代词替换为相应的地理名词；4)基于标准词语和非标准词语对照表对经过分词所得词语中非标准地名词语进行解析，将非标准词语替换为标准词语；5)基于所述区域信息本体实例及其附加表，对经过分词所得词语中的相对位置区域信息进行解析，得到准确的地名词语；6)基于区域信息本体中的本体实例名称、属性采用模式匹配方法对步骤3)、4)、5)解析后的网页信息进行处理，将网页信息归入匹配成功的区域；其中，所述判断模型的建立方法为：将包含代词的网页信息形成一样本集合，并对样本集合中代词和其之前的地理名词之间的指代关系进行标注，作为类别变量；建立代词和其之前的地理名词之间关系的特征向量；然后选择机器学习方法基于所述样本集合、类别变量和特征向量建立地理名词和代词之间是否存在指代关系的判断模型；其中，判断代词与其前面出现的地理名词之间是否存在指代关系的方法为：计算代词和地理名词之间关系的特征向量值，利用所述判断模型对所述特征向量值进行判断，确定代词和地理名词之间的指代关系是否存在；其中，对经过分词所得词语中表示处所的代词进行解析的方法为：31)建立一代词解析的长度为L的滑动窗口；32)选择代词前L个词语内是否存在地理名词，如果存在，则采用判断模型进行判断，如果存在指代关系，则根据指代关系确定代词对应的地理名词，解析结束，否则进行步骤33)；33)选择代词前2L个词语内是否存在地理名词，如果存在，则采用判断模型进行判断，如果存在指代关系，则根据指代关系确定代词对应的地理名词，解析结束，否则进行步骤34)；34)根据元数据提取过程中得到的信息来源或网站所在地采用抽取或者替换的方法确定代词的指代地名。