[发明专利]一种面向在线百科的实体属性抽取方法及系统

说明书

技术领域

本发明涉及信息技术领域，尤其涉及一种面向在线百科的实体属性抽取方法及系统。

背景技术

在线百科，又称网络百科，是在互联网上公开给网友查阅的百科全书，网络百科有开放和非开放两种。用户可以利用在线百科及时方便地查询各种信息资源。同时由于网民参于开放百科的建设，在线百科的信息更加开放透明，更丰富完善。著名的开放网络百科有：维基百科、大众百科、百度百科、互动百科等等。

在线百科用于描述各类实体供用户查询。实体是指现实世界中的客观事物，是现实世界中任何可区分、可识别的事物。实体不仅可以指能触及的客观对象，还可以指抽象的事件。实体属性是指实体的一些基本特征特性，实体属性有助于人们全面、客观地了解实体，实体属性越多对该实体的描述就越详细，因此实体属性抽取有着重要意义。

在线百科对于实体的描述全面且详细，在线百科中的实体与其对应的描述页面之间有着一对一的关系。此外，在线百科的页面结构有一定的规律，每个实体页面都有其独立的对实体属性进行描述的部分，而且实体属性描述部分往往是半结构化的文本，便于抽取。目前，主要使用基于规则（模板）的方法来抽取在线百科的实体属性。然而，由于每一种在线百科的文本结构不同，用于抽取每一种在线百科的实体属性的规则也各不相同，因此现有的实体属性抽取方法往往仅针对某一在线百科，并不能适用于其他在线百科。

发明内容

为解决上述问题，本发明提供一种面向在线百科的实体属性抽取方法，所述方法包括：

步骤1）、在待抽取的在线百科网页文本集合T中选择一个页面，抽取该页面的实体属性表达规则，得到当前规则集合；

步骤2）、使用当前规则集合对所述待抽取的在线百科网页文本集合T进行实体属性抽取，并且根据抽取得到的实体属性抽取T的实体属性表达规则，用抽取得到的规则集合作为当前规则集合并重复这一过程k次，得到最终规则集合；其中k为非负整数；

步骤3）、使用所述最终规则集合对T进行实体属性抽取。

在一个实施例中，步骤1）包括：

步骤11）、在待抽取的在线百科网页文本集合T中选择一个页面；

步骤12）、标注该页面的实体属性，得到实体属性集合U；

步骤13)、根据实体属性集合U，抽取该页面的实体属性表达规则，得到规则集合R。

在一个实施例中，步骤13）还包括：

根据实体属性表达规则在所述页面中出现的位置，对R中的每条实体属性表达规则赋权重；其中，出现在所述页面中属性描述部分的实体属性表达规则的权重大于出现在所述页面中非属性描述部分且没有出现在属性描述部分的实体属性表达规则的权重。

在一个实施例中，步骤2）包括：

步骤21）、使用规则集合R对所述待抽取的在线百科网页文本集合T进行实体属性抽取；

步骤22）、根据实体属性在页面中出现的位置以及抽取出该实体属性的实体属性表达规则的权重，从抽取得到的实体属性得到实体属性集合U'；

步骤23）、根据实体属性集合U'抽取T的实体属性表达规则，得到规则集合R'；

步骤24）、将R更新为R'并返回步骤21）直到该过程重复了k次，得到最终规则集合；其中k为非负整数。

在一个实施例中，步骤22）包括：

步骤a）、根据实体属性在页面中出现的位置以及抽取出该实体属性的实体属性表达规则的权重，对该实体属性赋权重；

步骤b）、选择权重值最高的n个实体属性，得到实体属性集合U'；其中n为正整数。

在进一步的实施例中，步骤a）包括：

将出现在页面中属性描述部分的实体属性赋权重α₁*β；以及

将出现在页面中非属性描述部分且没有出现在属性描述部分的实体属性赋权重α₂*β；

其中，β为抽取出该实体属性的实体属性表达规则的权重，且α₂＜α₁。

在一个实施例中，步骤22）还包括：将实体属性集合U合并到U'。

在进一步的实施例中，步骤24）还包括：在返回步骤21）时，将U更新为U'。

在一个实施例中，步骤23）还包括：

根据实体属性表达规则在页面中出现的位置，对规则集合R'中的每条实体属性表达规则赋权重；其中，出现在页面中属性描述部分的实体属性表达规则的权重大于出现在页面中非属性描述部分且没有出现在属性描述部分的实体属性表达规则的权重。

在进一步的实施例中，步骤24）还包括：