[发明专利]一种词条的获取方法和装置

权利要求书

1.一种词条的获取方法，其特征在于，包括：

S1、获取词条库中同一分类的已有词条集合；

S2、利用所获取的已有词条集合进行搜索，得到包含所述已有词条的锚文本，并记录所述已有词条的锚文本所在的网页位置；

S3、根据所记录的网页位置，在相应的位置提取与所述已有词条的锚文本之间的上下文距离满足预设要求的锚文本。

2.根据权利要求1所述的方法，其特征在于，在所述步骤S3之后，还包括：

S4、根据与所述已有词条的锚文本之间的上下文距离计算所提取的锚文本的权重，统计所提取的锚文本在当前分类中出现的频度，将频度或权重满足预设要求的锚文本识别为新词条。

3.根据权利要求1或2所述的方法，其特征在于，所述锚文本所在的网页位置，包括：

锚文本所在的网页、锚文本所在的网页分块以及锚文本在网页分块中的位置。

4.根据权利要求3所述的方法，其特征在于，所述上下文距离满足预设要求包括：

所提取的锚文本所在的网页分块与已有词条的锚文本所在的网页分块相同。

5.根据权利要求4所述的方法，其特征在于，所述上下文距离满足要求，还包括：

所提取的锚文本与已有词条的锚文本的间隔距离小于预设距离阈值。

6.根据权利要求3所述的方法，其特征在于，所述根据与所述已有词条的锚文本之间的上下文距离计算所提取的锚文本的权重，具体包括：

在同一网页分块中，确定所提取的锚文本与已有词条的锚文本的上下文距离；

利用确定的上下文距离，计算在对应的网页分块中所提取的锚文本的权重；

在整个当前分类下，将提取到的各个网页分块中计算得到的所提取的锚文本的权重进行求和，得到所提取的锚文本的权重。

7.根据权利要求6所述的方法，其特征在于，所述在同一网页分块中确定所提取的锚文本与已有词条的锚文本的上下文距离，具体包括：

确定所提取的锚文本所在的网页分块中包含的已有词条的锚文本；

计算所提取的锚文本与获取的各个已有词条的锚文本之间的距离；

选取距离的最小值作为与已有词条的上下文距离。

8.根据权利要求6所述的方法，其特征在于，在所述步骤S3之后，还包括：

将所提取的锚文本与所述词条库进行对比，得到未收录的锚文本；

仅对所述未收录的锚文本执行所述步骤S4。

9.根据权利要求2所述的方法，其特征在于，在所述步骤S3之后，还包括：

将所提取的锚文本中不包含指定词性的锚文本过滤掉；

仅对过滤后剩余的锚文本执行所述步骤S4。

10.一种词条的获取装置，其特征在于，包括：

已有词条获取模块，用于获取词条库中同一分类的已有词条集合；

搜索模块，用于利用所述已有词条获取模块获取的已有词条集合进行搜索，得到包含所述已有词条的锚文本，并记录所述已有词条的锚文本所在的网页位置；

提取模块，用于根据所述搜索模块记录的网页位置，在相应的位置提取与所述已有词条的锚文本之间的上下文距离满足预设要求的锚文本。

11.根据权利要求10所述的装置，其特征在于，该装置还包括：

新词条识别模块，用于根据与所述已有词条的锚文本之间的上下文距离计算所述提取模块提取的锚文本的权重，统计所提取的锚文本在当前分类中出现的频度，将频度或权重满足预设要求的锚文本识别为新词条。

12.根据权利要求10或11所述的装置，其特征在于，所述锚文本所在的网页位置，包括：

锚文本所在的网页、锚文本所在的网页分块以及锚文本在网页分块中的位置。

13.根据权利要求12所述的装置，其特征在于，所述上下文距离满足预设要求包括：

所提取的锚文本所在的网页分块与已有词条的锚文本所在的网页分块相同。

14.根据权利要求13所述的装置，其特征在于，所述上下文距离满足要求，还包括：

所提取的锚文本与已有词条的锚文本的间隔距离小于预设距离阈值。