[发明专利]基于搜索日志的中文人名自扩展识别方法

权利要求书

1.基于搜索日志的中文人名自扩展识别方法，其特征在于，包括：

S11 确定目标语料集，也即将用于挖掘人名实体的所有查询日志中查询串集合Q；

S12 构建种子人名集合C，；

S13 根据种子人名集合C及其所在查询串集合Qc，生成候选人名模板集Mc；

S14 利用人名模板在Qc和Q中匹配的查询串条数变化趋势，对人名模板进行筛选，选取适合人名识别的上下文信息，获得人名模板集Mc’；

S15 在查询串集合Q中匹配人名模板集Mc’中的模板，生成候选人名集CN；

S16 对候选人名进行筛选，去除一些干扰的噪音信息，得到可信度较高的人名集合N；

S17 利用人名集合N更新种子人名集合C，迭代上述S12至S16这5个步骤，直到获取的人名的可信度达到一定阈值。

2.根据权利要求1所述的基于搜索日志的中文人名自扩展识别方法，其特征在于，自扩展识别过程是一个迭代过程，一次迭代指的是执行步骤S12至步骤S16的过程。

3.根据权利要求1所述的基于搜索日志的中文人名自扩展识别方法，其特征在于，种子人名的初始构建是基于“姓氏驱动”思想，有效利用查询日志中查询串人名检索词特点，根据种子姓氏所在查询串长度选择种子人名。

4.根据权利要求1所述的基于搜索日志的中文人名自扩展识别方法，其特征在于，候选人名模板集Mc，中需要记录每个候选人名模板在种子人名所在查询串集合Qc中匹配的查询串条数，其元素构成式为：<候选模板M，候选模板M在当前查询串集合Qc内匹配的查询串条数>。

5.根据权利要求1和权利要求4所述的基于搜索日志的中文人名自扩展识别方法，其特征在于，对候选模板集合Mc内的模板按照其在Qc中匹配的查询串条数以递减顺序生成排序集合last，同时也按其在Q中匹配的查询串条数按递减顺序生成排序集合now，对任一模板M，定义一个五元组IM，IM=（M, Rank_now, Rank_now_sum, Rank_last, Rank_last_sum），其中Rank_now表示模板M在排序集合now中的排名，Rank_now_sum表示排序集合now中排名的最大序号，Rank_last表示模板M在排序集合last中的排名，Rank_last_sum表示模板在排序集合last中排名的最大序号。

6.根据权利要求1所述的基于搜索日志的中文人名自扩展识别方法，其特征在于，定义一个用于描述模板对人名区分能力高低的概念区分度，来对候选人名模板进行筛选。

7.根据权利要求1和权利要求6所述的基于搜索日志的中文人名自扩展识别方法，其特征在于，区分度的计算方式为：

 。

8.根据权利要求1所述的基于搜索日志的中文人名自扩展识别方法，其特征在于，利用“前向后向关键词匹配方法”对候选人名进行筛选，候选人名串中删除在关键词库中的子串。

9.根据权利要求1和权利要求8所述的基于搜索日志的中文人名自扩展识别方法，其特征在于，关键词库由人民日报分词语料，剔除人名、外文、单字，加入中国省、市、区、县的地名信息而构成。

10.根据权利要求1、权利要求8和权利要求9所述的基于搜索日志的中文人名自扩展识别方法，其特征在于，关键词匹配从前向、后向同时进行，根据语料特点设置最大匹配长度和最小匹配长度。

11.根据权利要求1和权利要求2所述的基于搜索日志的中文人名自扩展识别方法，其特征在于，下一次迭代时利用当前人名集合N更新种子人名集合C，从人名模板集Mc’抽取前n个模板作为下一次迭代的种子模板。