[發(fā)明專利]基于區(qū)域編碼的網(wǎng)絡(luò)信息歸屬地索引標(biāo)記方法

在審

• 申請?zhí)枺?/td>: 201710298793.3
• 申請日: 2017-04-28
• 公開（公告）號: CN107133311A
• 公開（公告）日: 2017-09-05
• 發(fā)明（設(shè)計）人: 董鄭江;周銀行;楊東;胡淦;陳煥;鄭中華
• 申請（專利權(quán)）人: 安徽博約信息科技股份有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京輕創(chuàng)知識產(chǎn)權(quán)代理有限公司11212
• 代理人: 沈尚林

技術(shù)領(lǐng)域

本發(fā)明涉及信息實體識別的分類和標(biāo)記技術(shù)，尤其涉及一種基于區(qū)域編碼的網(wǎng)絡(luò)信息歸屬地索引標(biāo)記方法，可應(yīng)用于大數(shù)據(jù)領(lǐng)域的信息處理，主要用于信息歸屬地域的標(biāo)識。

背景技術(shù)

網(wǎng)絡(luò)信息是指通過計算機網(wǎng)絡(luò)可以利用的各種信息資源的總和。具體的說是指所有以電子數(shù)據(jù)形式把文字、圖像、聲音以及動畫內(nèi)容的信息通過網(wǎng)絡(luò)通信共享出來的數(shù)據(jù)資源。中文地名的自動識別是命名實體識別任務(wù)中難度較大的任務(wù)之一，目的是從中文文本中自動準(zhǔn)確提取地理專用名詞。而這些文本信息中所包含或隱含的地域名稱，往往在識別的時候不大準(zhǔn)確，導(dǎo)致信息的歸屬地標(biāo)記也較為困難。目前常用的文本信息歸屬地名稱的標(biāo)記方法有：

1)人工標(biāo)記法

人工的從網(wǎng)頁信息中提取文本信息的關(guān)聯(lián)地域，主要憑借人的知識體系、文本內(nèi)容的語義解讀能力以及地域關(guān)鍵詞的查找方法來完成文本信息中所涉及歸屬地的分辨。歸屬地的索引標(biāo)記往往采用最為直接的地域名稱標(biāo)注來分門別類。

2)網(wǎng)站備案號標(biāo)記法

采用基于網(wǎng)站備案號的方法來進行地域標(biāo)記，根據(jù)網(wǎng)站下方的備案標(biāo)識號碼來判斷網(wǎng)站屬地，那么在此網(wǎng)站上發(fā)布的內(nèi)容則被視為與網(wǎng)站同處歸屬地。則歸屬地的索引往往標(biāo)記為備案號的地域簡稱。

現(xiàn)有技術(shù)的缺點如下：

1)人工標(biāo)記法對人的要求高，執(zhí)行人的知識體系直接影響標(biāo)記結(jié)果，主觀影響因素多，雖然正確率較高，但是成本和效率低下，不適合大數(shù)據(jù)時代的數(shù)據(jù)分類標(biāo)記處理，最致命問題的在于通過地名直接標(biāo)記法是無法匹配上級地域信息的，無法做到地域關(guān)聯(lián)。

2)相對人工標(biāo)記法，網(wǎng)站備案號標(biāo)記法雖然可以通過程序自動識別，去除人工干涉，但是其識別結(jié)果錯誤率較高。因為網(wǎng)站的地域往往與網(wǎng)站發(fā)表的信息內(nèi)容報道的歸屬地不一致。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是提供一種基于區(qū)域編碼的網(wǎng)絡(luò)信息歸屬地索引標(biāo)記方法。該方法通過構(gòu)建地域CODE碼標(biāo)識庫，來對網(wǎng)絡(luò)信息內(nèi)容涉及的歸屬地進行分類，然后通過對網(wǎng)頁內(nèi)容進行地名解析，結(jié)合詞典庫地域標(biāo)識CODE碼來對網(wǎng)站發(fā)布的信息內(nèi)容進行歸屬地CODE碼匹配，匹配到的CODE碼用來對網(wǎng)絡(luò)信息進行歸屬地標(biāo)記。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是，基于區(qū)域編碼的網(wǎng)絡(luò)信息歸屬地索引標(biāo)記方法，包括以下步驟：

一、CODE碼字符串定義

行政區(qū)劃代碼，也稱行政代碼，它是國家行政機關(guān)的識別符號，一般執(zhí)行兩項國家標(biāo)準(zhǔn)：《中華人民共和國行政區(qū)劃代碼》(GB/T2260-2007)和《縣以下行政區(qū)劃代碼編制規(guī)則》(GB/T10114-2003)；行政代碼由6位到9位阿拉伯?dāng)?shù)字組成，行政代碼從左至右的含義是：

第一、二位表示省(自治區(qū)、直轄市、特別行政區(qū))；

第三、四位表示市(地區(qū)、自治州、盟及國家直轄市所屬市轄區(qū)和縣的匯總碼)；其中，01-20，51-70表示省直轄市；21-50表示地區(qū)(自治州、盟)；

第五、六位表示縣(市轄區(qū)、縣級市、旗)；01-18表示市轄區(qū)或地區(qū)(自治州、盟)轄縣級市；21-80表示縣(旗)；81-99表示省直轄縣級市；

第七至九位表示鄉(xiāng)、鎮(zhèn)(街道辦事處)。

下例：

安徽省的行政代碼：340000；

合肥市的行政代碼：340100；

肥西縣的行政代碼：340123；

三河鎮(zhèn)的行政代碼：340123101；

那么，三河鎮(zhèn)CODE碼字符串定義則是由上級行政代碼與三河鎮(zhèn)的行政代碼組合而成，即為“340000340100340123340123101”。

同理，肥西縣的CODE碼為：340000340100340123；則，合肥市的CODE碼為：340000340100；安徽省CODE碼為行政代碼本身。

二、構(gòu)建地域詞典庫

手動創(chuàng)建地域詞典庫映射表，初始化錄入行政地區(qū)數(shù)據(jù)，根據(jù)上述CODE碼字符串定義方法，將行政代碼轉(zhuǎn)化為CODE碼，并存入地域詞典庫中。

地域詞典庫包含主鍵id、地域名areaName、簡稱shortName、上級行政區(qū)parentId、經(jīng)度Ing、緯度lat、區(qū)域?qū)蛹塴evel和CODE碼八個字段。

四、待標(biāo)記文本解析