[發明專利]用于對數據庫中的信息進行修正及補充的方法及系統

在審

• 申請號: 201310677222.2
• 申請日: 2013-12-13
• 公開（公告）號: CN104714950A
• 公開（公告）日: 2015-06-17
• 發明（設計）人: 馮興;周繼恩;劉軍
• 申請（專利權）人: 中國銀聯股份有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 張懿;湯春龍

1.一種用于對數據庫中的信息進行修正及補充的方法，每個數據庫信息條目與一個對象相關，其特征在于，所述方法包括：

從預先選定的目標網站將與所述數據庫中的信息相關的網頁頁面爬取到本地；

從所述網頁頁面中提取與所述對象相關的互聯網信息；

將所述數據庫中的信息與所述互聯網信息進行匹配；以及

根據所述匹配的結果對所述數據庫中的信息進行修正及補充。

2.如權利要求1所述的方法，其特征在于，每個所述數據庫信息條目包括至少一個精確標識字段和至少一個模糊標識字段；并且

從網頁頁面提取互聯網信息包括：

從所述網頁頁面提取與所述對象相關的特征字段并且按對象將所述特征字段存儲為互聯網信息條目，其中所述特征字段包括所述至少一個精確標識字段和所述至少一個模糊標識字段。

3.如權利要求2所述的方法，其特征在于，所述匹配包括：

將每個數據庫信息條目中的所述至少一個精確標識字段與所有所述互聯網信息條目中的所述至少一個精確標識字段進行匹配；

當對于該數據庫信息條目存在精確標識字段相同的互聯網信息條目時，計算該數據庫信息條目中的所述至少一個模糊標識字段與所有精確標識字段相同的互聯網信息條目中的所述至少一個模糊標識字段的相似度；以及

將所述相似度最高并且超過相似度預定閾值的互聯網信息條目確定為與該數據庫信息條目匹配的互聯網信息條目；并且

所述方法還包括根據該匹配的互聯網信息條目對該數據庫信息條目進行修正及補充。

4.如權利要求3所述的方法，其特征在于，所述匹配還包括：

當對于所述數據庫信息條目不存在精確標識字段相同的互聯網信息條目時，將該數據庫信息條目中的兩個或更多個模糊標識字段合并為第一匹配字段；

計算該第一匹配字段與由每個互聯網信息條目中對應的模糊標識字段同樣地構成的第二匹配字段的相似度；以及

將相似度最高并且超過相似度預定閾值的互聯網信息條目確定為與所述數據庫信息條目匹配的互聯網信息條目；并且

所述方法還包括根據該匹配的互聯網信息條目對所述對象的數據庫信息條目進行修正及補充。

5.如權利要求4所述的方法，其特征在于，對所述數據庫中的信息進行修正及補充包括在數據庫信息條目中的所述至少一個精確標識字段為空時將所述與其匹配的互聯網信息條目中的所述至少一個精確標識字段信息填入該數據庫信息條目中。

6.如權利要求4所述的方法，其特征在于，對所述數據庫中的信息進行修正及補充包括從未匹配的互聯網信息條目中選擇數據庫中尚未包含的對象，并且根據所選定對象的互聯網信息條目為該對象在所述數據庫中創建相應的數據庫信息條目。

7.如權利要求4所述的方法，其特征在于，所述互聯網信息條目還包括數據庫信息條目所沒有的其他信息字段，并且對所述數據庫中的信息進行修改及補充包括將與數據庫信息條目匹配的互聯網信息條目中的所述其他信息字段添加到該數據庫信息條目中。

8.如權利要求1所述的方法，其特征在于，每個對象在數據庫中被標識為一種數據庫類別，所述方法還包括：在匹配完成之后，確定每種數據庫類別的對象在匹配的互聯網信息中被標識的互聯網類別；

計算該數據庫類別的對象被標識為每種互聯網類別的概率；以及

對于所述概率小于預定閾值的、數據庫類別與互聯網類別的匹配，將相應的數據庫信息條目判斷為分類錯誤。

9.如權利要求2所述的方法，其特征在于，所述對象為商戶，并且所述至少一個精確標識字段包括商戶的通信號碼，而所述至少一個模糊標識字段包括商戶名稱以及商戶地址。

10.如權利要求2所述的方法，其特征在于，所述對象為產品，并且所述至少一個精確標識字段包括產品的型號，而所述至少一個模糊標識字段包括產品名稱以及產品描述。

11.如權利要求1所述的方法，其特征在于，從預先選定的目標網站爬取網頁頁面包括使用針對不同的目標網站定制的網頁爬取器。