[發明專利]用于收集實體別名的方法和設備

有效

• 申請號: 200810004920.5
• 申請日: 2008-01-29
• 公開（公告）號: CN101499062A
• 公開（公告）日: 2009-08-05
• 發明（設計）人: 郭志立;張小洵;郭宏蕾;蘇中
• 申請（專利權）人: 國際商業機器公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 中國國際貿易促進委員會專利商標事務所
• 代理人: 杜 娟

技術領域

本發明涉及信息處理領域。更具體地說，本發明涉及一種用于收 集實體別名的方法、設備和計算機程序產品。

背景技術

在安全、商業分析和科學研究等領域中經常需要進行實體別名的 檢測和識別。術語“實體(entity)”，如在本申請的上下文中所使用 的，指的是為其存儲了信息的特定對象或事件，例如人名、地名、機 構名稱、產品名稱，等等。一個實體通常具有若干“別名(alias)”， 其指的是該實體的約定俗成的其他名稱，例如該實體的曾用名稱、簡 稱、或者經常被誤用的名稱。例如，機構實體“北京科技大學”具有別 名“北京鋼鐵學院”(曾用名稱)、“北科大”(簡稱)、“鋼鐵學院”(曾 用名稱的簡稱)、“首都科技大學”(誤用名稱)，等等。在理想的實 體數據集中，希望識別同一實體的所有別名并將其匯集到一個組中， 使得這種實體數據集能夠更好地服務于各種應用，例如數據倉庫構 建、客戶關系管理(CRM)和欺詐檢測，等等。實體別名的檢測和識 別正在成為越來越重要的任務。

目前解決實體別名問題的現有方案主要集中在實體身份的辨析 上，即如何通過各種可以獲得的線索來辨析兩個或者更多的實體是否 相同。這些方案可以根據它們是否使用了參考數據集而分為兩種類 別：在第一種類別中，將所有的輸入實體與現有的參考實體相匹配， 與同一參考實體匹配的那些實體被認為是別名。在第二種類別中，直 接將輸入實體互相匹配。在任何一種方案中，其核心匹配方法依賴于 計算與實體相關聯的詞的詞法、拼法、語音、語義相似性。例如，基 于語音的Soundex算法通過去除所有元音并用人類話音的六種語音 分類(雙唇輔音、唇齒音、齒音、齒齦音、軟腭音、喉塞音)表示輔 音來對所有英文單詞進行編碼。編輯距離(Edit?distance)算法假定 兩個字串之間的差別可以用三種寫法轉換(插入、刪除、替換)來衡 量。基于行為(Behavior-based)的算法則認為，如果兩個實體在數 據集中共享相似的語義鏈接，則它們是相關聯的(例如，如果兩個電 子郵件ID具有相同的輸入輸出電子郵件模式，則它們很有可能由同 一實體擁有)。

上述的兩種解決實體別名問題的現有方案均是在已經通過某種 途徑獲得了若干實體(即所述的“輸入實體”)的前提下，對這些實體 進行辨析，而不涉及如何得到這些輸入實體。因此，這些現有方案不 能解決針對一個特定的實體，如何得到其所有可能別名的集合的問 題。

另一方面，在Web2.0技術中，人們很容易從社會化標簽網站獲 得關于Web對象的社會化標簽。在網絡社會化環境中，允許作者和 讀者為Web對象(例如Web頁面、圖象、或視頻片段)選擇他們喜 好的“標簽”，也就是與該Web對象相關聯的關鍵詞或術語，并與他 人共享。作為由公眾賦予Web對象的一種元數據，社會化標簽使得 網絡信息的社會性分享成為可能。例如，當一個讀者對某個Web對 象感興趣時，他可以從社會化標簽網站獲得其他人對該Web對象所 添加的標簽的列表，從而有助于該讀者迅速地辨別該對象的性質、用 途，等等。

然而，目前還沒有人將社會化標簽這種實現網絡信息的社會性分 享的工具應用于實體別名的收集。

發明內容

本發明的目的是解決現有技術中的上述問題，提出一種通過社會 化標簽來自動和迅速地收集實體別名的方法、設備和計算機程序產 品。

根據本發明的第一個方面，提出一種用于收集實體別名的方法， 包括以下步驟：利用Web搜索引擎獲得與用戶輸入的實體相關聯的 Web對象；從社會化標簽網站獲得所述Web對象的社會化標簽，作 為所述用戶輸入的實體的候選別名；以及對所述候選別名進行求精， 從而獲得所述用戶輸入的實體的別名的集合。

根據本發明的第二個方面，提出一種用于收集實體別名的設備， 包括：用于利用Web搜索引擎獲得與用戶輸入的實體相關聯的Web 對象的裝置；用于從社會化標簽網站獲得所述Web對象的社會化標 簽作為所述用戶輸入的實體的候選別名的裝置；以及對所述候選別名 進行求精、從而獲得所述用戶輸入的實體的別名的集合的裝置。

根據本發明的第三個方面，提出一種用于實現本發明的用于收集 實體別名的方法的計算機程序產品。