[发明专利]一种挖掘属性名复述的方法和装置

说明书

【技术领域】

本发明涉及计算机应用技术领域，特别涉及一种挖掘属性名复述的方法和装置。 

【背景技术】

在网络信息领域中，一条三元组数据可以表示成（e，a，v），其中e为实体名（entity），a为属性名（attribute），v为属性值（value），例如（姚明，身高，2.26米）即为一条三元组。三元组数据在很多方面都存在应用，尤其在搜索引擎中，三元组数据被存储在结构化数据库中为垂直搜索提供数据来源，当用户搜索实体属性时，搜索引擎可以直接向用户返回对应的属性值，例如，用户搜索“姚明的身高是多少”时，能够直接返回精确答案“2.26米”。 

然而在用户进行实际搜索的过程中，采用的语言表述可能与结构化数据库中的表述存在差异，反映在属性名上尤其明显。对于上述的例子，用户可能会搜索“姚明的高度”、“姚明高多少”、“姚明有多高”等等，虽然这些查询的意图都是要获取姚明的身高，但由于属性名的表述不同，可能无法命中结构化数据库中的内容，因此，有必要对结构化数据库中的属性名进行复述挖掘，即挖掘出每个属性名所具有的表达形式，从而更好地匹配用户灵活多样的查询表述。 

【发明内容】

有鉴于此，本发明提供了一种挖掘属性名复述的方法和装置，以便于挖掘属性名所具有的表达形式，从而更好地匹配用户灵活多样的查询表述。 

具体技术方案如下： 

一种挖掘属性名复述的方法，该方法包括以下步骤： 

S1、从搜索日志中获取Q-Q、Q-T和T-T中的至少一种资源作为候选句对，所述Q-Q为用户在一个会话session中搜索的两个query构成的句对，所述Q-T为query与对应的被点击网页标题title构成的句对，所述T-T为同一个query对应的两个被点击title构成的句对； 

S2、从各候选句对中抽取具有相同上下文语境的短语对作为候选复述短语对； 

S3、从候选复述短语对中抽取存在至少一个短语属于属性名列表的候选复述短语对；

S4、从所述步骤S3抽取出的候选复述短语对进行噪声过滤后，得到属性名复述短语对，属性名复述短语对中的两短语互为属性名复述。 

根据本发明一优选实施例，在所述步骤S2中按照如下短语抽取规则抽取短语对作为候选复述短语对：两个短语的前一个词相同且后一个词相同，但两个短语本身不相同。 

根据本发明一优选实施例，所述短语抽取规则还包括：两短语的长度在预设的长度范围内，两短语中不包含标点且不能完全由停用词构成，或者两短语之前和之后不能是标点中的至少一种。 

根据本发明一优选实施例，所述步骤S2中还包括：统计各候选复述短语对分别从Q-Q、Q-T和T-T抽取出来的次数，将总次数小于预设次数阈值的候选复述短语对过滤掉。 

根据本发明一优选实施例，步骤S4中所述噪声过滤包括以下至少一种： 

如果候选复述短语对中两个短语的长度比大于预设长度比阈值，则将该候选复述短语对过滤掉； 

如果候选复述短语对中两个短语的差别仅在于停用词，则将该候选复述短语对过滤掉； 

如果候选复述短语对中未包含在属性名列表中的短语中存在数字或英文字母，则将该候选复述短语对过滤掉； 

如果候选复述短语对中未包含在属性名列表中的短语的首词或尾词出现在预设的过滤词表中，则将该候选复述短语对过滤掉； 

如果候选复述短语对中未包含在属性名列表中的短语包含地名，则将该候选复述短语对过滤掉； 

确定同一短语所在的各候选复述短语对的词频分值，将词频分值排在前N个之外的候选复述短语对过滤掉，所述N为预设的正整数。 

根据本发明一优选实施例，候选复述短语对<p1，p2>的词频分值score(p2|p1)采用如下公式计算： 

score(p2|p1)=λ_q-qP_q-q(p2|p1)+λ_q-tP_q-t(p2|p1)+λ_t-tP_t-t(p2|p1)；