[发明专利]微博数据的地理位置信息提取方法

说明书

技术领域

本发明属于信息检索技术领域，具体涉及一种微博数据的地理位置信息提取方法。

背景技术

随着社交网络的发展，社交用户产生的数据也在以惊人的速度增多。例如，Twitter有1亿4千万的活跃用户，他们每天可以产生大约4亿的微博。Foursquare有两千五百万的用户和30亿的check-in。大量的应用都可以从这些用户产生的数据中受益。特别地，根据社交用户的微博去鉴定用户的地理位置信息，可以使得更高效地进行广告的投放和推荐。比如，某一个用户的微博中出现了“OlympiaTheater，BroadwayManhattan”，广告商就可以在用户发出这条微博后快速地向他发送相关的广告。更加重要的是，如果我们基于用户发送的所有微博推测出他所有感兴趣的地点，比如“Manhattan”，我们就可以提供位置相关的推荐，比如新闻、产品、餐馆等。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的一个目的在于提出一种微博数据的地理位置信息提取方法。

为了实现上述目的，本发明的实施例公开了一种微博数据的地理位置信息提取方法，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。

根据本发明实施例的微博数据的地理位置信息提取方法，在博主的微博信息抽取地理位置信息，将地理位置信息与分层次的行政区划信息进行对比，根据对比结果，针对性的为博主提供广告服务。

另外，根据本发明上述实施例的微博数据的地理位置信息提取方法，还可以具有如下附加的技术特征：

进一步地，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。

进一步地，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。