[發明專利]一種機構別稱的獲取方法和裝置

在審

• 申請號: 201210306512.1
• 申請日: 2012-08-24
• 公開（公告）號: CN102880647A
• 公開（公告）日: 2013-01-16
• 發明（設計）人: 王松
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 深圳市威世博知識產權代理事務所(普通合伙) 44280
• 代理人: 何青瓦;李慶波

1.一種機構別稱的獲取方法，其特征在于，包括：

獲取互聯網中各網頁頁面對應的站點首頁，利用所述站點首頁提取各站點相對應的機構全稱；

獲取互聯網中各網頁頁面包含的鏈接信息及對應的錨文本；

利用預先構建的機構名稱詞典或者預設的語義規則，將能夠與所述機構名稱詞典相匹配或滿足所述語義規則的錨文本識別為機構名稱；

將具有相同鏈接信息的所述機構名稱與機構全稱相關聯，并將滿足預設要求的機構名稱識別為機構別稱。

2.根據權利要求1所述的方法，其特征在于，所述獲取互聯網中各網頁頁面對應的站點首頁，具體包括：

從所述網頁頁面的網址中取出域名地址，對所述域名地址進行跳轉處理，得到對應的站點首頁；

或者，利用站點的首頁樣本集合，統計分析其鏈接錨文本及網址樣式特征構建首頁分類器，利用所構建的首頁分類器對所述網頁頁面進行分類，得到所有的站點首頁。

3.根據權利要求1所述的方法，其特征在于，所述利用站點首頁提取各站點對應的機構全稱，具體包括：

將所述站點首頁解析成文檔對象模型樹，獲取所述站點首頁的頁面標題，將所述頁面標題識別為機構全稱；

或者，將所述站點首頁解析成文檔對象模型樹，獲取所述站點首頁的頁面標題和版權塊信息，將能夠與預先構建的機構名稱詞典相匹配的頁面標題或版權塊信息識別為機構全稱。

4.根據權利要求1或3所述的方法，其特征在于，在所述提取各站點相對應的機構全稱之后，還包括：

利用預先構建的機構名稱詞典，從同一站點內的其他網頁中識別該站點的機構名稱；

利用識別到的不同來源的機構名稱，對所述機構全稱進行校驗。

5.根據權利要求1所述的方法，其特征在于，在所述獲取互聯網中各網頁頁面包含的鏈接信息及對應的錨文本之后，還包括：

將所獲取的鏈接信息及對應的錨文本組成二元信息對，統計各二元信息對的出現頻次，形成三元信息組；

所述滿足預設要求包括：

所述機構名稱對應的錨文本的出現頻次，超過預設次數閾值或者排在前N個，N為預設正整數。

6.根據權利要求1所述的方法，其特征在于，在所述將具有相同鏈接信息的所述機構名稱與機構全稱相關聯之后，還包括：

計算所述機構名稱與相關聯的機構全稱之間的相似度；

所述滿足預設要求包括：

所述機構名稱與對應的機構全稱的相似度大于預設相似度閾值。

7.根據權利要求6所述的方法，其特征在于，所述計算機構名稱與相關聯的機構全稱之間的相似度，具體包括：

判斷所述機構名稱中的各個字符是否在所述機構全稱中出現，計算字面相似度；

利用預先定義的語義規則，確定所述機構名稱與機構全稱的核心詞，判斷所述機構名稱的核心詞是否與機構全稱的核心詞相同，為具有相同核心詞的機構名稱賦予核心詞相似度；

利用字面相似度與核心詞相似度進行加權，得到所述機構名稱與機構全稱的相似度。

8.一種機構別稱的獲取裝置，其特征在于，包括：

全稱獲取模塊，用于獲取互聯網中各網頁頁面對應的站點首頁，利用所述站點首頁提取各站點對應的機構全稱；

錨文本獲取模塊，用于獲取互聯網中各網頁頁面包含的鏈接信息及對應的錨文本；

名稱識別模塊，用于利用預設的機構名稱詞典或預設的語義規則，將所述錨文本獲取模塊獲取的錨文本中能夠與所述機構名稱詞典相匹配或滿足預設語義規則的錨文本識別為機構名稱；

關聯模塊，用于將具有相同鏈接信息的所述機構名稱與機構全稱相關聯，并將滿足預設要求的機構名稱識別為機構別稱。

9.根據權利要求8所述的裝置，其特征在于，所述全稱獲取模塊獲取互聯網中各網頁頁面對應的站點首頁，具體配置為：

從所述網頁頁面的網址中取出域名地址，對所述域名地址進行跳轉處理，得到對應的站點首頁；

或者，利用站點的首頁樣本集合，統計分析其鏈接錨文本及網址樣式特征構建首頁分類器，利用所構建的首頁分類器對所述網頁頁面進行分類，得到所有的站點首頁。