[發明專利]一種文字信息地域識別方法及裝置

有效

• 申請號: 201110356631.3
• 申請日: 2011-11-11
• 公開（公告）號: CN102426603A
• 公開（公告）日: 2012-04-25
• 發明（設計）人: 景曉軍;沈智杰;張東升;許國耀;王艷玲;力世銀;畢成功
• 申請（專利權）人: 任子行網絡技術股份有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 深圳市順天達專利商標代理有限公司 44217
• 代理人: 郭偉剛

1.一種文字信息地域識別方法，其特征在于，包括以下步驟：

A、獲取待進行地域分析的文字信息，對所述文字信息進行分詞，構建成由所述文字信息中的多個特征詞語構成的詞向量序列，并存儲；

B、查詢地域分層詞典數據庫，根據所述地域分層詞典數據庫對所述詞向量序列中的特征詞語進行層級分析，得出由所述特征詞語中的不同層級地域特征詞構成的地域分層路徑，并存儲，其中，所述地域分層詞典數據庫中包含有不同層級的地域路徑信息；

C、查詢地域擴充詞典數據庫，根據所述地域擴充詞典數據庫對所述詞向量序列中的特征詞語進行地域擴展分析，進一步得出相關的地域特征詞，并存儲，其中，所述地域擴充詞典數據庫中包含有與不同地域特征詞相關的非地域詞語信息；

D、根據所述地域分層路徑和由所述地域擴展分析得出的地域特征詞，得到最優地域分層路徑，并存儲；

E、根據所述最優地域分層路徑提取地域特征信息片段，對所述地域特征信息片段提取主題詞，構建成第一主題詞向量空間，并提取所述文字信息的主題詞，構建成第二主題詞向量空間，存儲所述第一主題詞向量空間和所述第二主題詞向量空間；

F、對所述第一主題詞向量空間和所述第二主題詞向量空間進行相似度計算，根據所述最優地域分層路徑和相似度計算結果判斷所述文字信息所屬地域。

2.根據權利要求1所述的文字信息地域識別方法，其特征在于，所述步驟A具體包括：

對所述文字信息進行中文分詞，過濾其中的非詞語和干擾詞；

統計剩下各個詞語的詞頻；

統計剩下各個詞語在所述文字信息中的位置；

根據每個所述詞語的詞頻和在所述文字信息中的位置信息構建成所述詞向量序列；

存儲所述詞向量序列。

3.根據權利要求1所述的文字信息地域識別方法，其特征在于，所述步驟B具體包括：

查詢所述地域分層詞典數據庫；

根據所述地域分層詞典數據庫，提取所述詞向量序列中的地域詞匯；

根據所提取的地域詞匯形成所述地域分層路徑；

存儲所述地域分層路徑。

4.根據權利要求1所述的文字信息地域識別方法，其特征在于，所述步驟C具體包括：

查詢所述地域擴充詞典數據庫；

在所述地域擴充詞典數據庫中查找所述詞向量序列中的非地域詞語，進行地域擴展分析，得出與所述非地域詞語相關聯的地域特征詞；

存儲所述地域特征詞。

5.根據權利要求1所述的文字信息地域識別方法，其特征在于，所述步驟E具體包括：

提取所述最優地域分層路徑在所述文字信息中的上下文信息，得到所述地域特征信息片段；

提取所述地域特征信息片段中的主題詞，構建成由多個詞語向量構成的所述第一主題詞向量空間；

對所述文字信息整體進行分析，并提取其中的主題詞，構建成由多個詞語向量構成的所述第二主題詞向量空間；

存儲所述第一主題詞向量空間和所述第二主題詞向量空間。