[发明专利]一种机构别称的获取方法和装置

权利要求书

1.一种机构别称的获取方法，其特征在于，包括：

获取互联网中各网页页面对应的站点首页，利用所述站点首页提取各站点相对应的机构全称；

获取互联网中各网页页面包含的链接信息及对应的锚文本；

利用预先构建的机构名称词典或者预设的语义规则，将能够与所述机构名称词典相匹配或满足所述语义规则的锚文本识别为机构名称；

将具有相同链接信息的所述机构名称与机构全称相关联，并将满足预设要求的机构名称识别为机构别称。

2.根据权利要求1所述的方法，其特征在于，所述获取互联网中各网页页面对应的站点首页，具体包括：

从所述网页页面的网址中取出域名地址，对所述域名地址进行跳转处理，得到对应的站点首页；

或者，利用站点的首页样本集合，统计分析其链接锚文本及网址样式特征构建首页分类器，利用所构建的首页分类器对所述网页页面进行分类，得到所有的站点首页。

3.根据权利要求1所述的方法，其特征在于，所述利用站点首页提取各站点对应的机构全称，具体包括：

将所述站点首页解析成文档对象模型树，获取所述站点首页的页面标题，将所述页面标题识别为机构全称；

或者，将所述站点首页解析成文档对象模型树，获取所述站点首页的页面标题和版权块信息，将能够与预先构建的机构名称词典相匹配的页面标题或版权块信息识别为机构全称。

4.根据权利要求1或3所述的方法，其特征在于，在所述提取各站点相对应的机构全称之后，还包括：

利用预先构建的机构名称词典，从同一站点内的其他网页中识别该站点的机构名称；

利用识别到的不同来源的机构名称，对所述机构全称进行校验。

5.根据权利要求1所述的方法，其特征在于，在所述获取互联网中各网页页面包含的链接信息及对应的锚文本之后，还包括：

将所获取的链接信息及对应的锚文本组成二元信息对，统计各二元信息对的出现频次，形成三元信息组；

所述满足预设要求包括：

所述机构名称对应的锚文本的出现频次，超过预设次数阈值或者排在前N个，N为预设正整数。

6.根据权利要求1所述的方法，其特征在于，在所述将具有相同链接信息的所述机构名称与机构全称相关联之后，还包括：

计算所述机构名称与相关联的机构全称之间的相似度；

所述满足预设要求包括：

所述机构名称与对应的机构全称的相似度大于预设相似度阈值。

7.根据权利要求6所述的方法，其特征在于，所述计算机构名称与相关联的机构全称之间的相似度，具体包括：

判断所述机构名称中的各个字符是否在所述机构全称中出现，计算字面相似度；

利用预先定义的语义规则，确定所述机构名称与机构全称的核心词，判断所述机构名称的核心词是否与机构全称的核心词相同，为具有相同核心词的机构名称赋予核心词相似度；

利用字面相似度与核心词相似度进行加权，得到所述机构名称与机构全称的相似度。

8.一种机构别称的获取装置，其特征在于，包括：

全称获取模块，用于获取互联网中各网页页面对应的站点首页，利用所述站点首页提取各站点对应的机构全称；

锚文本获取模块，用于获取互联网中各网页页面包含的链接信息及对应的锚文本；

名称识别模块，用于利用预设的机构名称词典或预设的语义规则，将所述锚文本获取模块获取的锚文本中能够与所述机构名称词典相匹配或满足预设语义规则的锚文本识别为机构名称；

关联模块，用于将具有相同链接信息的所述机构名称与机构全称相关联，并将满足预设要求的机构名称识别为机构别称。

9.根据权利要求8所述的装置，其特征在于，所述全称获取模块获取互联网中各网页页面对应的站点首页，具体配置为：

从所述网页页面的网址中取出域名地址，对所述域名地址进行跳转处理，得到对应的站点首页；

或者，利用站点的首页样本集合，统计分析其链接锚文本及网址样式特征构建首页分类器，利用所构建的首页分类器对所述网页页面进行分类，得到所有的站点首页。