[发明专利]一种基于搜索引擎的主题语料构建方法及系统有效
| 申请号： | 201811285020.2 | 申请日： | 2018-10-31 |
| 公开（公告）号： | CN109933707B | 公开（公告）日： | 2022-10-14 |
| 发明（设计）人： | 李鹏;王斌;周美林;齐保元;梅钰 | 申请（专利权）人： | 中国科学院信息工程研究所 |
| 主分类号： | G06F16/953 | 分类号： | G06F16/953;G06F16/955;G06F16/958 |
| 代理公司： | 北京君尚知识产权代理有限公司 11200 | 代理人： | 邱晓锋 |
| 地址： | 100093 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于搜索引擎的主题语料构建方法及系统。该方法包括以下步骤：1)利用搜索引擎获取主题相关的种子网页；2)对种子网页进行扩展以发现列表页；3)对列表页进行判断，得到与主题真正相关的列表页；4)对与主题真正相关的列表页中的链接进行抽取，并对链接进行下载得到原始网页；5)对原始网页进行正文抽取，形成最终的主题语料。该系统包括：种子网页获取单元、列表页发现单元、列表页审核单元、网页下载单元和正文抽取单元。与现有技术相比，构建同等规模主题语料本发明所需的人工标注量大幅减少，并且对各类主题语料构建都有较好的适用性。 | ||
| 搜索关键词： | 一种 基于 搜索引擎 主题 语料 构建 方法 系统 | ||
【主权项】：
1.一种基于搜索引擎的主题语料构建方法，其特征在于，包括以下步骤：1)利用搜索引擎获取主题相关的种子网页；2)对种子网页进行扩展以发现列表页；3)对列表页进行判断，得到与主题真正相关的列表页；4)对与主题真正相关的列表页中的链接进行抽取，并对链接进行下载得到原始网页；5)对原始网页进行正文抽取，形成最终的主题语料。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国科学院信息工程研究所，未经中国科学院信息工程研究所许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811285020.2/，转载请声明来源钻瓜专利网。
