[发明专利]一种获取百度百科人物分类下的所有子分类方法

权利要求书

1.一种获取百度百科人物分类下的所有子分类方法，其特征在于：包括以下步骤，

步骤一，分析百度百科的实体分类，建立分类表，所述分类表包括类型字段和实体字段；

步骤二，采用BoostStrapping算法获取人物分类下的所有子分类；

BoostStrapping算法获取人物分类下的所有子分类的过程为，

(1)选用所有唯一包含“人物”两字的字符串的分类、已有的人物分类以及已有人物分类下的子分类，三者取并后作为种子集合S；

(2)在分类表中查找出所有类型字段含有S中任一元素的数据，所述数据的实体字段被认定为人物实体，将实体字段放入人物实体集合P；

(3)对于P中的每个元素对应的类型，若不在S中，则加入候选集合W中；

(4)对于S中的任一元素s以及W中的任一元素w，若存在P中的一元素p，p结合s以及p结合w均存在与分类表中，那么计算出s和w之间的相似度；

(5)如果相似度大于设定的阈值，那么w加入集合Y中，转至步骤(6)，否则退出BootStrapping过程，S即为所有子分类；

(6)计算|Y|，如果|Y|>0，则S+Y→S，P＝Φ，W＝Φ，Y＝Φ，返回步骤(2)，如果|Y|＝0，退出BootStrapping过程，S即为所有子分类。

2.根据权利要求1所述的一种获取百度百科人物分类下的所有子分类方法，其特征在于：计算s和w之间的相似度的过程为，使用Jaccard相似度来衡量两者之间的相似度，计算如下：

Jaccard(s，w)＝(sp∩wp)/(sp∪wp)

其中，集合sp为在分类表中类型字段为s的数据，该数据对应的实体字段的集合；集合wp为在分类表中类型字段为w的数据，该数据对应的实体字段的集合。