[發(fā)明專利]一種實體名稱分析識別方法

在審

• 申請?zhí)枺?/td>: 201810136345.8
• 申請日: 2018-02-09
• 公開（公告）號: CN108460016A
• 公開（公告）日: 2018-08-28
• 發(fā)明（設計）人: 陳剛;何積豐
• 申請（專利權）人: 中云開源數(shù)據(jù)技術(上海)有限公司
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06F17/30
• 代理公司: 上海世圓知識產(chǎn)權代理有限公司 31320
• 代理人: 陳穎潔;王佳妮

1.一種實體名稱分析識別方法，其特征在于，包括以下步驟，

檢索詞獲取步驟，獲取輸入的實體相關的檢索詞；

數(shù)據(jù)庫生成步驟，根據(jù)所述檢索詞分別生成對應的實體基本信息庫和實體輿情信息庫；

實體全稱候選詞集生成步驟，定義實體全稱的特征詞，根據(jù)該特征詞在實體基本信息庫中檢索特征詞，并對檢索到的特征詞分析，生成實體全稱候選詞；

實體全稱候選詞篩選步驟，在實體全稱候選詞集中，根據(jù)自定義特征篩選出有效的實體全稱；實體簡稱候選詞集生成步驟，對有效的實體全稱進行排列組合，生成實體簡稱候選詞集；

實體簡稱候選詞篩選步驟，在實體輿情信息庫中檢索實體簡稱候選詞集中的每一實體簡稱候選詞，根據(jù)檢索到的結果進行分析，得到有效的實體簡稱。

2.根據(jù)權利要求1所述的實體名稱分析識別方法，其特征在于,所述數(shù)據(jù)庫生成步驟包括

實體基本信息庫生成步驟，根據(jù)與實體相關的檢索詞搜索與該檢索詞相關的實體基本信息，建立唯一的實體信息集合，并生成實體基本信息庫；以及

實體輿情信息庫生成步驟，根據(jù)與實體相關的檢索詞搜索與該檢索詞相關的實體輿情信息，建立唯一的實體輿情信息集合，并生成實體輿情信息庫。

3.根據(jù)權利要求2所述的實體名稱分析識別方法，其特征在于，所述實體輿情信息庫生成步驟包括，利用分詞方法、基于停用詞庫TF-IDF的降維方法及文獻相似度計算方法，對實體輿情信息進行篩選，去除重復的實體輿情信息。

4.根據(jù)權利要求1所述的實體名稱分析識別方法，其特征在于，在所述實體全稱候選詞集生成步驟中，所述特征詞為邊界詞，包括開頭詞和結尾詞，根據(jù)邊界詞在所述實體基本信息庫中找出對應的邊界詞，將開頭詞、結尾詞以及開頭次與結尾詞之間的詞作為實體全稱候選詞，并生成實體全稱候選詞集。

5.根據(jù)權利要求4所述的實體名稱分析識別方法，其特征在于，開頭詞具體設定為國家名稱、省份名稱、直轄市名稱及市名稱，結尾詞為廠或公司。

6.根據(jù)權利要求1所述的實體名稱分析識別方法，其特征在于，所述自定義特征包括候選詞長度特征、候選詞中標點符號特征，當某一所述實體全稱候選詞的候選詞長度特征滿足預設值，且該實體全稱候選詞的候選詞中無標點符號特征，則該實體全稱候選詞為有效的實體全稱，否則為無效的實體全稱。

7.根據(jù)權利要求1所述的實體名稱分析識別方法，其特征在于，所述實體簡稱候選詞集生成步驟包括詞組生成步驟，選取有效的實體全稱中的字并按照原有的前后順序重新排列組合，得到詞組集合；

詞組排序步驟，對排列后的詞組按照詞組長短進行排列，并去除重復的詞組，得到實體簡稱候選詞集。

8.根據(jù)權利要求1所述的實體名稱分析識別方法，其特征在于，所述實體簡稱候選詞篩選步驟包括

詞頻計算步驟，在實體輿情信息庫中，提取并計算所述實體簡稱候選詞出現(xiàn)的詞頻；

新聞信息條數(shù)統(tǒng)計步驟，統(tǒng)計所述實體輿情信息庫中的新聞信息條數(shù)；

比值計算步驟，計算詞頻與新聞信息條數(shù)的比值；

比值判斷步驟，判斷該比值是否達到預設值，若是，則將該實體簡稱候選詞作為有效的實體簡稱。

9.根據(jù)權利要求2所述的實體名稱分析識別方法，其特征在于，所述實體基本信息指有實體全稱或?qū)嶓w曾用名或?qū)嶓w簡介或?qū)嶓w描述的信息。

10.根據(jù)權利要求2所述的實體名稱分析識別方法，其特征在于，所述實體輿情信息指有關實體的新聞、評論數(shù)據(jù)。