[发明专利]一种基于模糊匹配的新闻主体名称提取方法

摘要

本发明涉及一种基于模糊匹配的新闻主体名称提取方法，其包括：采集大量的领域新闻；对采集到的新闻进行人工标注，筛选出与领域相关具有新闻主体的新闻；使用分词工具对新闻进行分词；使用词嵌入工具在全量的新闻数据上做训练，得到词嵌入矩阵，从而将每一篇新闻表示为一个词嵌入向量；使用主体列表构建知识图谱；将知识图谱中每个节点的主体名称分词后做各种拆分组合，然后将拆分组合的结果用词嵌入向量表示；计算词嵌入相似度，取所有主体中与新闻词嵌入向量相似度得分最高的主体名称作为该新闻提取的主体名称。本发明能够有效地克服基于精确匹配对非标准化主体简称识别的缺陷，此外，本发明还能够适应更多的场景，匹配准确度更高。

主权项

1.一种基于模糊匹配的新闻主体名称提取方法，其特征在于，包括以下步骤：步骤1：采集大量的领域新闻，所述领域新闻的新闻内容尽可能多样，以覆盖不同的相关新闻网站；步骤2：对采集到的新闻进行人工标注，筛选出与领域相关具有新闻主体的新闻；步骤3：使用分词工具对新闻进行分词，向分词工具中导入主体列表，以提升分词效果；步骤4：使用词嵌入工具在全量的新闻数据上做训练，得到词嵌入矩阵，从而将每一篇新闻表示为一个词嵌入向量；步骤5：使用主体列表构建知识图谱，所述知识图谱的每个节点代表一个主体名称或主体简称，将主体‑主体、主体‑简称联系起来，其中主体简称隶属于主体名称；步骤6：将知识图谱中每个节点的主体名称分词后做各种拆分组合，然后将拆分组合的结果用词嵌入向量表示；步骤7：计算词嵌入相似度，将第i篇新闻的词嵌入向量Ti与第j个主体的第k个组合方式Ejk做相似度计算，Ci为与第i篇新闻最相关的主体名称：取所有主体中与新闻词嵌入向量相似度得分最高的主体名称作为该新闻提取的主体名称。