[发明专利]一种基于自学习规则的项目名实体识别方法及系统

权利要求书

1.一种基于自学习规则的项目名实体识别方法，包括以下步骤：

1)采取多个项目名作为训练集产生词性黑名单和特征词白名单；

2)基于上下文提示信息对待识别文本进行切分；

3)基于词性黑名单对步骤2)切分后的待识别文本进行截断；

4)在步骤3)处理后的待识别文本中，基于特征词白名单确认项目名，获得最终的识别结果。

2.如权利要求1所述的基于自学习规则的项目名实体识别方法，其特征在于，所述词性黑名单是从计算所汉语词性标记集规定的词性中去掉所有的项目名包含的词性得到的。

3.如权利要求1所述的基于自学习规则的项目名实体识别方法，其特征在于，所述特征词白名单是对项目名集合进行词性标注时，得到的使所有项目名都包含有特征词集合中的特征词的最小特征词集合。

4.如权利要求3所述的基于自学习规则的项目名实体识别方法，其特征在于，一个特征词包含在科技项目名中，则称该特征词覆盖项目名，如果特征词集合中所有的特征词可以覆盖所有的项目名，则称该集合对项目名全覆盖。

5.如权利要求4所述的基于自学习规则的项目名实体识别方法，其特征在于，所述最小特征词集合通过以下方法得到：

对训练集中的项目名进行分词，得到所有的词性集合，求得词性中对项目名集合的一个最小覆盖集，该集合定义为最小特征词集合。

6.如权利要求1所述的基于自学习规则的项目名实体识别方法，其特征在于，步骤2)中，以正则表达式的形式，检测项目名的上下文提示信息，将待识别文本中正则表达式命中的句子进行切分。

7.一种基于自学习规则的项目名实体识别系统，包括：

语料训练模块，用于对项目名进行训练获得词性黑名单和特征词白名单；

文本输入单元，用于输入待识别文本；

文本切分单元，用于根据上下文提示信息对待识别文本进行切分；

文本截断单元，用于根据词性黑名单对文本切分单元切分后的待识别文本进行截断；

文本确认单元，用于根据特征词白名单对文本截断单元得到的项目名进行确认，获得最终的识别结果。

8.如权利要求7所述的基于自学习规则的项目名实体识别系统，其特征在于，所述文本切分单元基于正则表达式检测上下文提示信息，对命中的句子进行切分。