[发明专利]电视节目标签自动生成系统

权利要求书

1.一种电视节目标签自动生成系统，其特征在于，包括依次连接的节目信息获取模块、信息关键词提取模块、关键词扩展模块及标签生成模块，还包括与关键词扩展模块相连接的知识库模块，其中：

-节目信息获取模块，用于从网上抓取与节目相关的页面，通过对页面的修剪和过滤，得到描述节目信息的主体内容；

-信息关键词提取模块，用于汇总节目信息获取模块得到的主体内容，并从主体内容中抽取出关键词；

-知识库模块，用于建立词条间的网络关系，以便用于对获取的关键词进行扩展；

-关键词扩展模块，用于利用知识库模块提供的网络，将信息关键词提取模块得到的关键词进行扩展，得到一个更大的词条集；

-标签生成模块，用于将得到的所有关键词的关联词条集进行处理，滤除噪声，计算分数，并最终生成节目的标签集。

2.根据权利要求1所述的电视节目标签自动生成系统，其特征在于，所述节目信息获取模块包括HTML解析器，接收需要生成标签的目标电视节目集合，在搜索引擎的辅助下，为每个节目获取网络页面，所述页面通过HTML解析器的处理，得到主体内容，所述主体内容传递给信息关键词提取模块作进一步处理。

3.根据权利要求1所述的电视节目标签自动生成系统，其特征在于，所述信息关键词提取模块包括分词与词性标注器，得到描述每个节目信息的主体内容后，通过分词与词性标注器对内容进行划分，并仅保留名词词性的词语。

4.根据权利要求1所述的电视节目标签自动生成系统，其特征在于，所述名词词性的词语通过统计方法识别关键词。

5.根据权利要求4电视节目标签自动生成系统，其特征在于，所述统计方法包括以下步骤：

第一步，对于特定的某个节目，将词语划分为两组，一组来源于与该节目相关的网络页面，一组来源于节目集合中的其他网络页面；

第二步，对这两组词语计算词频，并统计出均值和标准差，这样，每个词语都用4个统计量描述其特征，所述4个统计量分别为这个词语在与节目相关页面的词频均值、标准差以及这个词语在与节目不相关页面的词频均值和标准差；

第三步，根据4个统计量间的关系，将最能表现节目特征的关键词识别出来。

6.根据权利要求1所述的电视节目标签自动生成系统，其特征在于，所述知识库模块以百度百科作为数据源，以图的形式进行存储。

7.根据权利要求6所述的电视节目标签自动生成系统，其特征在于，所述百度百科的组织方式包括以下步骤：

第一步，对于每个词条，均有一个页面对该词条进行描述，页面中除了纯文本外，还会将百度百科中已有的其他词条作引用；

第二步，在知识库的图中，每个这样的被描述的词条和引用的词条间都会有一条有向边，对这个图应用PageRank算法，得到每个词条的重要性；

第三步，词条的权重和词条间的相互引用关系，构成了整个知识库。

8.根据权利要求1所述的电视节目标签自动生成系统，其特征在于，所述关键词扩展模块对每个信息关键词提取模块得到的关键词，在知识库模块的图中找到与之存在一条路径的其他词条，根据词条本身的重要性和词条与关键词的距离，计算出词条的权重。

9.根据权利要求1所述的电视节目标签自动生成系统，其特征在于，所述标签生成模块将得到的所有关键词的关联词条合并在一起，当一个词条同时关联多个关键词时，将这个词条在各种关键词中的权重相加，将所有词条根据权重的总和进行排序，并根据需要返回前面的若干个，从而得到了描述节目特征的标签集。