[發明專利]一種新聞熱點標簽的生成方法及系統

有效

• 申請號: 201310308455.5
• 申請日: 2013-07-22
• 公開（公告）號: CN103336847B
• 公開（公告）日: 2016-11-30
• 發明（設計）人: 伏峰;章正道;林勝通
• 申請（專利權）人: 廈門市美亞柏科信息股份有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京恒都律師事務所 11395
• 代理人: 邸建凱

技術領域

本發明涉及信息處理技術領域，具體而言，特別涉及一種新聞熱點標簽的生成方法及系統。

背景技術

隨著互聯網的飛速發展，網絡媒體已被公認為是繼報紙、廣播、電視之后的“第四媒體”。由于網絡媒體與傳統媒體在傳播載體和傳播方式上的不同，將導致網絡輿論熱點、焦點層出不窮，而這些信息的產生將對社會產生巨大影響。因此，有必要對這些熱點信息的正確性及傳播范圍進行有效處理。

目前，針對新聞信息的分析功能有：新聞分類和預警、新聞聚合、新聞智能關聯、新聞轉載追蹤等，而新聞事件熱點標簽的生成是上述分析功能的基礎工作之一，例如：利用新聞熱點標簽作為檢索關鍵字從而發現熱點新聞；或者利用新聞熱點標簽生成熱點新聞摘要等。

目前，實用階段的新聞事件熱點標簽生成技術主要有以下兩類：

1)基于統計特征的方法，該方法主要是對詞元的使用頻率進行統計，雖然操作簡單，但是會忽略出現頻率不高但對于文檔具有關鍵意義的詞語，導致新聞熱點標簽生成的準確性低；

2)基于詞語網絡圖的方法，該方法根據一定規則將文檔映射為詞語網絡，利用詞語網絡圖計算詞語的關鍵度，在該方法中，目前主要是將高頻詞語以及它們在同一窗口(也即相互鄰接、在相同的句子或段落等)的共現關系映射成詞語網絡，但該方法需要設定的參數過多，如頂點數、邊數等，因而常造成邊界上的取舍問題，如果邊界取舍不當，則造成新聞熱點標簽生成的準確性低。

針對現有技術中新聞熱點標簽生成準確性低的問題，目前尚未提出有效的解決方法。

發明內容

本發明的主要目的在于提供一種新聞熱點標簽的生成方法及系統，以解決現有技術中新聞熱點標簽生成準確性低的問題。

為了實現上述目的，根據本發明的一個方面，提供了一種新聞熱點標簽的生成方法。

本發明的新聞熱點標簽的生成方法包括：提取新聞數據集中的新聞簇，其中，新聞數據集由多個新聞記錄組成，一個新聞簇包括至少兩個新聞記錄；確定提取出的多個新聞簇中的熱點新聞簇；提取熱點新聞簇中各新聞記錄的關鍵字；生成由一個新聞記錄的至少兩個關鍵字組合的組合詞，其中，一個新聞記錄對應一個或多個組合詞；以及根據組合詞的熱度值生成新聞熱點標簽。

進一步地，提取新聞數據集中的新聞簇包括：計算新聞數據集中兩個新聞記錄之間的相似度；判斷相似度是否大于第一預設閾值；以及若相似度大于第一預設閾值時，確定兩個新聞記錄屬于同一新聞簇。

進一步地，計算兩個新聞記錄之間的相似度包括:將兩個新聞記錄分別進行特征化提取，得到一個新聞記錄對應的第一向量和另一個新聞記錄對應的第二向量；采用以下任意一個公式計算相似度：

Sim(X,Y)＝(X*Y)/(||X||*||Y||)，

Sim(X,Y)=Σi=1n|xi-yi|,]]>或者