[发明专利]微博数据的地理位置信息提取方法

权利要求书

1.一种微博数据的地理位置信息提取方法，其特征在于，包括以下步骤：

S1：获取地理位置信息集合和微博数据文本集合，其中，所述地理位置信息集合中的地理位置按照行政区域逐级划分形成地理位置信息树，将每条微博与博主一一对应的存储在所述微博数据文本集合上；

S2：从所述微博数据文本集合中的每条微博中抽取位置信息与所述地理位置信息树中的节点进行比较，

如果抽取的位置信息与所述地理位置信息树中的某个节点的位置信息相同，将抽取的信息作为精确匹配节点，将所述精确匹配点和所述位置信息对应的加入到候选集合中，

如果收取的位置信息与所述地理位置信息树中的某个节点的位置信息不同，则进行相似性匹配，从所述地理位置信息树找到匹配程度最高的节点作为模糊匹配节点，将所述模糊匹配节点和所述位置信息对应的加入到所述候选集合中；

S3：将所述候选集合进行聚合，推测在所述地理位置信息树同一层级第一预设值数量的地理位置，推测在所述地理位置信息树不同层级第一预设值数量的地理位置；

S4：对聚合后的所述候选集合进行信息提纯，得到精确的所述第一预设值数量的地理位置。

2.根据权利要求1所述的微博数据的地理位置信息提取方法，其特征在于，还包括步骤：

S5：当所述博主的微博内容更新或所述地理位置信息树的节点更新时，将更新的内容相应的加入到所述微博数据文本集合或所述地理位置信息树，并根据更新后的所述微博数据文本集合和更新后所述地理位置信息树重新计算所述第一预设值数量的地理位置。

3.根据权利要求1所述的微博数据的地理位置信息提取方法，其特征在于，所述步骤S1进一步包括：

S11：对所述地理位置信息树从上往下给每一个节点赋了一个Dewey码，其中根节点的Dewey码是1，对于每一个节点，不断地把父亲节点的Dewey码附加在自己的Dewey码后面得到最后一串Dewey码，比较两个节点n_i，n_j的Dewey码，如果n_i的Dewey码是n_j的Dewey码的子串，那么n_i就是n_j的祖先，其中i和j均为自然数；

S12：建立倒排索引，对于地理位置，由于同名的情况，可以对应到所述地理位置信息树上的多个Dewey码，建立倒排索引；

S13：每一条数据包含微博的文本和发送微博的博主对应存储，每个博主对应多条微博文本。