[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

说明书

技术领域

本发明涉及一种获取百度百科人物分类下的所有子分类方法，属于开放知识抽取领域。

背景技术

在线百科是互联网上最重要的开放数据资源，为知识获取提供最权威，最全面的知识源。在线百科是数据信息时代最有价值的信息，因为在线百科中部分数据是结构化的，且是可以被机器理解的。结构化的数据能够让用户直接理解知识，并且广泛应用于搜索引擎、问题回答等。

在线百科结构化数据的代表是category(或称分类)。百度百科现有的人物分类下的开放分类共有112个，分为自然科学、人文领域、社会科学、文学领域、军事领域、艺术领域、体育领域、虚拟人物8个领域。如自然科学领域又分为科学家、医学家、数学家、物理学家、化学家、农学家、农业学家、古生物学家、医师。虽然有了这样的子分类，但这个子分类体系还不完善，比如像“歌手”、“演员”这些常见的分类都没有纳入“人物”分类下面。出现这些问题的原因是在线百科允许用户进行自由编辑，不同用户有不同的理解和表达方式，从而导致信息描述不一致。

发明内容

本发明提供了一种获取百度百科人物分类下的所有子分类方法，解决了现有子分类体系不完善的问题。

为了解决上述技术问题，本发明所采用的技术方案是：

一种获取百度百科人物分类下的所有子分类方法，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。

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。

本发明的有益效果是：本发明通过先构建分类表，然后在分类表的基础上采用BoostStrapping算法获取人物分类下的所有子分类，使人物分类下的子分类更加完善，解决了现有子分类体系不完善的问题。

附图说明

图1为本发明的流程图。

图2为计算相似度的流程图。

具体实施方式

下面将结合说明书附图，对本发明作进一步说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种获取百度百科人物分类下的所有子分类方法，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，如下表一所示。

表一分类表