[发明专利]自动扩展参考数据的系统和方法

权利要求书

1.一种用于从数据资源中自动提取参考实体数据的系统，所述系统包括：

实体数据解析装置，与数据资源耦接，用于对数据资源中的实体数据进行解析，以获得每个实体数据的内部语义结构，并从所述内部语义结构产生特征集；以及

数据提取装置，用于根据所述实体数据解析装置产生的特征集提取参考实体数据。

2.根据权利要求1所述的系统，其中所述数据提取装置根据聚类方式和/或概率统计方式，从所述数据中提取参考实体数据。

3.根据权利要求1所述的系统，所述实体数据解析装置与参考数据样本种子列表、参考数据收集规范和现有的参考数据词典中的至少一个相连，其中所述参考数据样本种子列表用于定义要提取的实体参考数据的样本，所述参考数据收集规范用于定义用于从中提取参考数据的数据集，所述现有的参考数据词典可用作所述实体数据解析装置对数据资源中的实体数据进行解析的依据。

4.根据权利要求1所述的系统，所述数据提取装置进一步包括：

片断提取装置，用于根据所述特征集提取实体数据中的片断条目；

实体提取装置，用于提取所述片断条目对应的实体数据。

5.根据权利要求4所述的系统，所述片断提取装置进一步包括：

用于根据下述至少之一对片断进行聚类的装置：实体类型、实体内部语义结构和属性、可用的实体共指链、共同的代表性参考实体片断以及现有的参考数据词典和别名列表。

6.根据权利要求4所述的系统，所述片断提取装置进一步包括：

用于根据下述至少之一对片断进行统计分析的装置：实体类型、实体内部语义结构和属性、可用的实体共指链、共同的代表性参考实体片断以及现有的参考数据词典和别名列表。

7.根据权利要求1所述的系统，由所述数据提取装置提取出的实体参考数据被用于更新所述现有的参考数据词典和/或所述参考数据样本种子列表。

8.根据权利要求1所述的系统，还包括：

存留组件，用于对从数据提取装置输出的候选参考实体数据进行优化。

9.根据权利要求8所述的系统，其中所述存留组件包括：

标准化装置，用于根据参考数据标准化规则库和/或复合参考数据条目组合规则库，对候选参考实体数据进行标准化。

10.根据权利要求8或9所述的系统，其中所述存留组件包括：去重装置，用于从候选参考实体数据中去除重复的实例。

11.根据权利要求1所述的系统，还包括：

判断组件，用于判断是否满足使数据提取装置停止提取新的参考实体数据的条件。

12.一种用于从数据资源中自动提取参考实体数据的方法，所述方法包括：

对数据资源中的实体数据进行解析，以获得每个实体数据的内部语义结构，并从所述内部语义结构产生特征集；以及

根据所述实体数据解析产生的特征集提取参考实体数据。

13.根据权利要求12所述的方法，其中根据聚类方式和/或概率统计方式，从所述数据中提取参考实体数据。

14.根据权利要求12所述的方法，其中参照参考数据样本种子列表、参考数据收集规范和现有的参考数据词典中的至少一个来对实体数据进行解析，其中所述参考数据样本种子列表用于定义要提取的实体参考数据的样本，所述参考数据收集规范用于定义用于从中提取参考数据的数据集，所述现有的参考数据词典可用作对数据资源中的实体数据进行解析的依据。

15.根据权利要求12所述的方法，所述根据所述实体数据解析产生的特征集提取参考实体数据进一步包括：

根据所述特征集提取实体数据中的片断条目；

提取所述片断条目对应的实体数据。

16.根据权利要求15所述的方法，所述根据所述特征集提取实体数据中的片断条目的步骤进一步包括：

根据下述至少之一对片断进行聚类：实体类型、实体内部语义结构和属性、可用的实体共指链、共同的代表性参考实体片断以及现有的参考数据词典和别名列表。