[發明專利]一種面向新聞網站的事件跟蹤方法

有效

• 申請號: 201210394246.2
• 申請日: 2012-10-16
• 公開（公告）號: CN102929977A
• 公開（公告）日: 2013-02-13
• 發明（設計）人: 林懷忠;陳澤鋒;陳勁
• 申請（專利權）人: 浙江大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 陳昱彤

1.一種面向新聞網站的事件跟蹤方法，其特征在于,包括如下步驟：

(1)?從初始事件種子報道集包含的所有網頁的標題和正文中提取權重最高的2個以上關鍵詞；以所提取的所有關鍵詞作為要素構造一個查詢向量，將所述查詢向量提交給搜索引擎而獲得一個以上網頁，對每一個從搜索引擎獲得的每一個網頁構造其VSM向量，然后計算從搜索引擎獲得的所有網頁的VSM向量的平均相似度值，并選擇其中VSM向量的平均相似度值最高的前????????????????????????????????????????????????個網頁加入到所述事件種子報道集中，得到擴展后的事件種子報道集，其中，≥1；?

(2)從事件的不相關報道集中隨機選取2組以上不相關報道，每組不相關報道包含m個不相關報道，且0≤|m-q|≤3，其中，q為所述擴展后的事件種子報道集中的網頁的數量；

(3)?將每一組所述不相關報道分別與當前事件種子報道集進行組合構成相應的訓練集，對每個訓練集中的每個網頁構造訓練樣本，每個所述訓練樣本由網頁所屬的類別與該網頁的VSM向量構成；使用SVM分類算法，對每個訓練集中的所有訓練樣本進行訓練，得到相應的SVM二元分類器；

(4)分別利用各SVM二元分類器對從新聞網站中抓取的其中一個未曾處理的目標新聞網頁的主信息的VSM向量進行分類，得到相應的分類結果；所述目標新聞網頁的主信息包括標題和正文；

(5)利用所有的分類結果判斷所述目標新聞網頁的主信息是否與事件相關，如果有一半以上的分類結果顯示所述目標新聞網頁的主信息與事件相關，則將所述目標新聞網頁加入到當前事件種子報道集中，得到更新后的事件種子報道集，并返回執行步驟(3)；如果有一半以上的分類結果顯示所述目標新聞網頁的主信息與事件不相關，則返回執行步驟(4)。

2.根據權利要求1所述的事件跟蹤方法，其特征在于：在所述步驟(1)中，所述關鍵詞為6-8個。

3.根據權利要求1或2所述的事件跟蹤方法，其特征在于：在所述步驟（1）中，n=8。

4.根據權利要求1所述的事件跟蹤方法，其特征在于：在所述步驟(2)中，|m-q|=0。

5.根據權利要求1或4所述的事件跟蹤方法，其特征在于：在所述步驟(2)中，從事件的不相關報道集中隨機選取的不相關報道為4-6組。

6.根據權利要求1所述的事件跟蹤方法，其特征在于：在步驟（4）中，所述目標新聞網頁的主信息或者由標題和正文組成，或者由標題、正文和發布時間組成，或者由標題、正文和來源組成，或者由標題、正文、發布時間和來源組成。

7.根據權利要求1所述的事件跟蹤方法，其特征在于：步驟（1）所述權重為加權特征詞權重。

8.根據權利要求7所述的事件跟蹤方法，其特征在于：所述加權特征詞權重的計算公式如式（1）所示：

?????（1）

其中，表示事件種子報道集中的第i個網頁，?表示中某一特征詞的權重；為用于調整特征詞在網頁中的不同位置的權重因子；表示特征詞在中出現的次數；表示在事件種子報道集中出現特征詞的所有網頁的總數；表示的倒數；為事件種子報道集中所包含的網頁總數。

9.根據權利要求8所述的事件跟蹤方法，其特征在于：當特征詞出現在標題時，取值為4.0；當特征詞出現在正文時，取值為1.0。