[發明專利]一種基于海量文本數據的人事關系知識圖譜構建方法

在審

• 申請號: 201910539129.2
• 申請日: 2019-06-20
• 公開（公告）號: CN110245244A
• 公開（公告）日: 2019-09-17
• 發明（設計）人: 吳漾;王鵬宇;郭仁超;方繼宇;孔慶波;柳林溪
• 申請（專利權）人: 貴州電網有限責任公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/901;G06Q10/10
• 代理公司: 貴陽中新專利商標事務所 52100
• 代理人: 胡緒東

本發明公開了一種基于海量文本數據的人事關系知識圖譜構建方法，該方法包括步驟：解析海量word數據，提取所需文本內容；挖掘事件、人、部門及時間實體；計算實體距離，判斷實體關系；數據插入Neo4j構建知識圖譜。本發明通過挖掘海量數據，得到人名實體、部門實體、事件實體和時間實體，通過計算實體之間的距離判斷事件實體的所屬是人還是部門，及時間，最后將發現的關系數據插入Neo4j數據庫，構建知識圖譜，通過數據庫構建的知識圖譜，可以發現人與事的關系，人與人的關系。

技術領域

本發明屬于人事關系提取技術領域，涉及一種基于海量文本數據的人事關系知識圖譜構建方法。

背景技術

現有技術有實體發現算法，但是并沒有事件實體的發現，沒有事件，關聯部門或人，還有時間的組合。

發明內容

本發明要解決的技術問題是：提供一種基于海量文本數據的人事關系知識圖譜構建方法，以解決現有技術中存在的問題。

本發明采取的技術方案為：一種基于海量文本數據的人事關系知識圖譜構建方法，該方法包括以下步驟：

（1）解析海量word數據，提取所需文本內容；

遍歷所有文件，找到word文件，將word文件全部轉化為html文件，解決加密word文檔的麻煩，通過爬蟲方式，提取所有的文本數據；

（2）挖掘事件、人、部門及時間實體；

通過結巴分詞，添加自定義詞庫，標注人名為：per，部門名為：dep，通過正則表達式得到時間，加入專有名詞庫，例如：（信息管理系統:sys）,分詞后專有名詞前或后2個詞，如果有動詞v，則構成一個事件實體，例如：信息管理系統的推廣；

（3）計算實體距離，判斷實體關系；

在一句話中，正則表達式匹配出一個時間實體，時間實體第一個字在這句話中的位置，這句話中如果出現多個事件實體，所有的事件實體的時間就這個時間實體，出現人名實體或部門實體，計算人名實體第一個字的位置與事件實體出現的第一個之間的距離，距離最小的就是事件實體的所屬實體；

（4）數據插入Neo4j構建知識圖譜；

得到一個關系數據，關系數據包括事件實體、時間實體、人名實體或部門名實體，將關系數據插入Neo4j數據庫中，構建知識圖譜。

本發明的有益效果：與現有技術相比，本發明通過挖掘海量數據，得到人名實體、部門實體、事件實體和時間實體，通過計算實體之間的距離判斷事件實體的所屬是人還是部門，及時間，最后將發現的關系數據插入Neo4j數據庫，構建知識圖譜，通過數據庫構建的知識圖譜，可以發現人與事的關系，人與人的關系。

附圖說明

圖1為提取文本內容流程示意圖；

圖2為挖掘事件、人、部門及時間實體流程示意圖；

圖3為判斷實體關系流程示意圖；

圖4為構建知識圖譜流程示意圖；

圖5為實例圖；

具體實施方式

下面結合附圖及具體的實施例對本發明進行進一步介紹。

實施例1：如圖1-5所示，一種基于海量文本數據的人事關系知識圖譜構建方法，該方法包括以下步驟：

（1）解析海量word數據，提取所需文本內容；

遍歷所有文件，找到word文件，將word文件全部轉化為html文件，解決加密word文檔的麻煩，通過爬蟲方式，提取所有的文本數據，通過將穩步轉化為，如圖1所示；