[发明专利]基于区域编码的网络信息归属地索引标记方法

摘要

本发明公开了一种基于区域编码的网络信息归属地索引标记方法。该方法包括CODE码字符串定义、构建地域词典库、待标记文本解析和创建索引标记等4个步骤。本发明通过文本抽取技术、地域词提取和IP网络备案查询方法，能够更为准确的确定出文本内容所涉及归属地，再基于CODE码地域词典库，将文本归属地以CODE码的形式存储，有效避免了直接用地名词的无关联性短板，方便数据的查询和统计。

主权项

基于区域编码的网络信息归属地索引标记方法，包括以下步骤：一、CODE码字符串定义行政区划代码，也称行政代码，它是国家行政机关的识别符号，一般执行两项国家标准：《中华人民共和国行政区划代码》(GB/T2260‑2007)和《县以下行政区划代码编制规则》(GB/T10114‑2003)；行政代码由6位到9位阿拉伯数字组成，行政代码从左至右的含义是：第一、二位表示省(自治区、直辖市、特别行政区)；第三、四位表示市(地区、自治州、盟及国家直辖市所属市辖区和县的汇总码)；其中，01‑20，51‑70表示省直辖市；21‑50表示地区(自治州、盟)；第五、六位表示县(市辖区、县级市、旗)；01‑18表示市辖区或地区(自治州、盟)辖县级市；21‑80表示县(旗)；81‑99表示省直辖县级市。第七至九位表示乡、镇(街道办事处)。示例：安徽省的行政代码：340000；合肥市的行政代码：340100；肥西县的行政代码：340123；三河镇的行政代码：340123101；那么，三河镇CODE码字符串的定义则是由上级行政代码与三河镇的行政代码组合而成，即为“340000340100340123340123101”。同理，肥西县的CODE码为：340000340100340123；则，合肥市的CODE码为：340000340100；安徽省CODE码为行政代码本身。二、构建地域词典库手动创建地域词典库映射表，初始化录入行政地区数据，根据上述CODE码字符串定义方法，将行政代码转化为CODE码，并存入地域词典库中。地域词典库包含主键id、地域名areaName、简称shortName、上级行政区parentId、经度Ing、纬度lat、区域层级leve1和CODE码八个字段。三、待标记文本解析选取任意网站中的一则报道内容，下载超文本标记语言源码，然后过滤掉所有的标签和特殊字符，最终形成干净的文本内容；通过条件随机场分词技术对文本进行分词，分成若干等分；利用隐马尔科夫模型，对熟语料自动角色标注，统计单词的角色频次和角色的转移概率，训练出地域词，并用“/ns”进行标记；多个地名词取频率最高的地名词，频率一样的取最后一个，如果没有则可以通过网站IP的备案查询到归属地，作为文中提及地域的归属地。四、创建索引标记获取网站信息中的地域后，从创建的地域词典库中读取出相应的CODE码，并给此篇内容标记上此归属地标识码，存入到索引中，为后期提供数据查询和统计使用。