[發明專利]基于行業知識圖譜數據庫對互聯網媒體事件進行監測的方法、裝置和系統

有效

• 申請號: 201610716109.4
• 申請日: 2016-08-24
• 公開（公告）號: CN107783973B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 何超;梁穎琪;車慧詩
• 申請（專利權）人: 慧科訊業有限公司
• 主分類號: G06F16/25
• 分類號: G06F16/25;G06F16/953;G06F16/28
• 代理公司: 北京市君合律師事務所 11517
• 代理人: 王昭林;唐宇

1.一種構建行業知識圖譜數據庫的方法，其特征在于，包括以下步驟：

步驟101，從數據源獲取一個或多個特定行業的行業數據，所述行業數據包括互聯網媒體數據；

步驟102，對所述行業數據進行數據處理，以提取與所述行業相關的實體以及對應的實體屬性和/或實體關系，并且對所述互聯網媒體數據進行事件檢測、事件評價和篩選，以提取與所述行業相關的特定媒體事件，其中，事件檢測包括：對所述互聯網媒體數據進行話題分類，以獲得針對特定話題的內容；從獲得的內容中識別涉及的實體；對所獲得的內容和所識別的實體進行情感分析，并且基于情感分析的結果對所獲得的內容進行過濾；基于過濾后的內容進行事件發現，以對媒體事件進行聚類并發現新的媒體事件；

步驟103，對所提取的實體進行語義消歧和實體鏈接，基于所提取的所述特定媒體事件以及所述實體、實體屬性和/或實體關系構建所述行業知識圖譜數據庫。

2.根據權利要求1所述的方法，其特征在于，

所述步驟101還包括：從第三方行業數據庫獲取結構化行業數據，所述結構化行業數據包括多個字段；

所述步驟102還包括：在提取與所述行業相關的實體以及對應的實體屬性和/或實體關系之前，對所述結構化行業數據進行數據清洗以及抽取-轉換-加載(ETL)處理；

所述步驟103還包括：基于所提取的實體、實體屬性和/或實體關系生成所述行業知識圖譜數據庫。

3.根據權利要求1所述的方法，其特征在于，

所述步驟101還包括：利用網絡爬蟲技術，從互聯網數據源獲取與行業相關的數據，所述互聯網數據源包括非結構化或半結構化數據源；

所述步驟102還包括：利用自然語言處理中的信息抽取技術，對所述與行業相關的數據進行實體識別和關系抽取，以提取所述實體、實體屬性和/或實體關系；

所述步驟103還包括：基于所提取的實體、實體屬性和/或實體關系對所述行業知識圖譜數據庫進行補充或更新。

4.根據權利要求1所述的方法，其特征在于，

所述步驟101還包括：利用應用程序接口(API)以查詢方式從互聯網數據源獲取與行業相關的數據，所述互聯網數據源包括開放式數據源；

所述步驟102還包括：在提取與所述行業相關的實體以及對應的實體屬性和/或實體關系之前，對所述與行業相關的數據進行數據清洗以及抽取-轉換-加載(ETL)處理；

所述步驟103還包括：基于所提取的實體、實體屬性和/或實體關系對所述行業知識圖譜數據庫進行補充或更新。

5.根據權利要求1所述的方法，其特征在于，

所述步驟101進一步包括：利用應用程序接口(API)或網絡爬蟲技術，從互聯網數據源獲取與行業相關的互聯網媒體數據；

所述步驟102進一步包括：從所述互聯網媒體數據中識別所述特定媒體事件對應的直接相關實體；

所述步驟103進一步包括：基于所述特定媒體事件以及對應的直接相關實體，對所述行業知識圖譜數據庫進行補充，其中，所述特定媒體事件作為抽象實體被補充到所述行業知識圖譜數據庫中。

6.根據權利要求5所述的方法，其特征在于，在所述步驟102中進一步通過以下方式中的至少一種提取與所述特定媒體事件對應的直接相關實體：

基于自然語言處理中的實體識別從文本數據中識別實體；

基于圖像或視頻識別處理從圖像或視頻數據中識別實體；或者

基于語音識別處理從音頻或視頻數據中識別實體。

7.根據權利要求3-5中任一項所述的方法，其特征在于，所述步驟103包括：對所提取的實體進行語義消歧和實體鏈接，以識別所述實體在行業知識圖譜數據庫中的對應實體。

8.根據權利要求7所述的方法，其特征在于，所述對所提取的實體進行語義消歧和實體鏈接的步驟進一步通過以下方式中的至少一種實現：

基于實體知識，對每個所提取的實體指代逐一獨立地進行語義消歧和實體鏈接；

基于主題一致性假設，利用候選實體在知識庫中的關聯，對所提取的實體指代進行一致性地語義消歧和實體鏈接。