[發(fā)明專利]一種行業(yè)數(shù)據(jù)源偵測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410582304.3
• 申請(qǐng)日: 2014-10-27
• 公開（公告）號(hào): CN104331443A
• 公開（公告）日: 2015-02-04
• 發(fā)明（設(shè)計(jì)）人: 賈巖
• 申請(qǐng)（專利權(quán)）人: 安徽華貞信息科技有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 合肥市長(zhǎng)遠(yuǎn)專利代理事務(wù)所(普通合伙) 34119
• 代理人: 程篤慶;黃樂(lè)瑜

1.一種行業(yè)數(shù)據(jù)源偵測(cè)方法，其特征在于，通過(guò)建立行業(yè)本體庫(kù)，根據(jù)相似度語(yǔ)義分析，逆向搜索數(shù)據(jù)源網(wǎng)頁(yè)，具體包括以下步驟：

建立數(shù)據(jù)源庫(kù)，用于存儲(chǔ)數(shù)據(jù)源鏈接；

集合行業(yè)基本用語(yǔ)，建立行業(yè)本體庫(kù)；

針對(duì)每一條基本用語(yǔ)，集合與其語(yǔ)義相似度大于A的關(guān)聯(lián)語(yǔ)建立關(guān)聯(lián)語(yǔ)庫(kù)，0＜A＜1；

通過(guò)網(wǎng)頁(yè)探針獲取包含基本用語(yǔ)或關(guān)聯(lián)語(yǔ)的網(wǎng)頁(yè)鏈接；

從獲取的網(wǎng)頁(yè)鏈接中篩選可用網(wǎng)頁(yè)鏈接添加到數(shù)據(jù)源庫(kù)。

2.如權(quán)利要求1所述的行業(yè)數(shù)據(jù)源偵測(cè)方法，其特征在于，關(guān)聯(lián)語(yǔ)庫(kù)中各關(guān)聯(lián)語(yǔ)根據(jù)關(guān)聯(lián)程度與基本用語(yǔ)形成以基本用語(yǔ)為根節(jié)點(diǎn)的語(yǔ)義樹，語(yǔ)義相似度根據(jù)語(yǔ)義樹中關(guān)聯(lián)語(yǔ)與基本用語(yǔ)之間的距離進(jìn)行計(jì)算。

3.如權(quán)利要求2所述的行業(yè)數(shù)據(jù)源偵測(cè)方法，其特征在于，語(yǔ)義相似度計(jì)算方法為，Sim(W0,W1)=aDis(W0,W1)+a,]]>

WO表示基本用語(yǔ)，W1表示作為計(jì)算對(duì)象的關(guān)聯(lián)語(yǔ)，Dis(W₀,W₁)為W0、W1在語(yǔ)義樹上的距離，a為可調(diào)節(jié)的計(jì)算常數(shù)。

4.如權(quán)利要求1所述的行業(yè)數(shù)據(jù)源偵測(cè)方法，其特征在于，A＝0.6。

5.如權(quán)利要求1所述的行業(yè)數(shù)據(jù)源偵測(cè)方法，其特征在于，從獲取的網(wǎng)頁(yè)鏈接中篩選可用網(wǎng)頁(yè)鏈接的具體方式為：

為各網(wǎng)頁(yè)鏈接預(yù)設(shè)可信度和行業(yè)相關(guān)度，并預(yù)設(shè)可信度閾值和相關(guān)度閾值；

篩選可信度大于可信度閾值且行業(yè)相關(guān)度大于相關(guān)度閾值的網(wǎng)頁(yè)鏈接作為可用網(wǎng)頁(yè)鏈接。

6.如權(quán)利要求1所述的行業(yè)數(shù)據(jù)源偵測(cè)方法，其特征在于，從獲取的網(wǎng)頁(yè)鏈接中篩選可用網(wǎng)頁(yè)鏈接的具體方式為：

為各網(wǎng)頁(yè)鏈接預(yù)設(shè)可信度和行業(yè)相關(guān)度；

對(duì)獲取的網(wǎng)頁(yè)鏈接分別進(jìn)行可信度和行業(yè)相關(guān)度排序；

獲取的網(wǎng)頁(yè)鏈接數(shù)目為K，篩選可信度排序位于前M且行業(yè)相關(guān)度排序位于前N的網(wǎng)頁(yè)鏈接作為可用網(wǎng)頁(yè)鏈接，1≤M≤K，1≤N≤K。

7.如權(quán)利要求6所述的行業(yè)數(shù)據(jù)源偵測(cè)方法，其特征在于，M等于K被C整除，1≤C≤100。

8.如權(quán)利要求7所述的行業(yè)數(shù)據(jù)源偵測(cè)方法，其特征在于，C＝2或者C＝10。

9.如權(quán)利要求6所述的行業(yè)數(shù)據(jù)源偵測(cè)方法，其特征在于，N等于K被D整除，1≤D≤100。

10.如權(quán)利要求9所述的行業(yè)數(shù)據(jù)源偵測(cè)方法，其特征在于，D＝2或者D＝10。