[发明专利]一种针对海量新闻的疾病名词自动识别方法

权利要求书

1.一种针对海量新闻的疾病名词自动识别方法，其特征在于，包括：

获取第一预设新闻材料中的语料数据；

构建疾病领域本体；

对所述疾病领域本体进行扩充，得到扩充后的疾病领域本体；

利用所述扩充后的疾病领域本体对从第一预设新闻材料中获取的语料数据进行自动标注，得到带有扩充后的疾病名词标注的训练语料；

所述利用所述扩充后的疾病领域本体对从第一预设新闻材料中获取的语料数据进行自动标注，得到带有扩充后的疾病名词标注的训练语料，具体包括：

以所述扩充后的疾病领域本体中的疾病名词及其别名作为检索词，对所述语料数据进行检索，得到包含疾病名词的报道集合；

从所述报道集合中提取包含所述疾病名词的句子；

对所述包含所述疾病名词的句子进行自动标注，得到带有疾病名词标注的训练语料；

根据所述带有扩充后的疾病名词标注的训练语料，建立疾病名词自动识别模型；

根据所述疾病名词自动识别模型，对第二预设新闻材料中的语料进行疾病名词识别。

2.根据权利要求1所述的方法，其特征在于，所述获取第一预设新闻材料中的语料数据，包括：

通过网络终端设备收集新闻材料数据；

对所述新闻材料数据进行预处理，包括：提取新闻材料的名称、日期、作者、标题和/或文章数据，并进行保存。

3.根据权利要求2所述的方法，其特征在于，所述构建疾病领域本体，包括：

获取现有的领域词表中的疾病名词和与疾病名词对应的分类关系，构建疾病领域本体。

4.根据权利要求3所述的方法，其特征在于，对所述疾病领域本体进行扩充，得到扩充后的疾病领域本体，包括：

基于百度百科扩充所述疾病领域本体的分类关系，得到扩充后的分类关系；

基于百度百科扩充所述疾病领域本体中疾病名词的别名，得到扩充后的疾病名词别名。

5.根据权利要求4所述的方法，其特征在于，根据所述带有疾病名词标注的训练语料，建立疾病名词自动识别模型，包括：

从所述包含所述疾病名词句子中提取高频词，建立高频词表；

对照所述高频词表，对所述带有疾病名词标注的训练语料的每个句子进行特征提取，以当前字距离所述高频词的距离为特征值；

用所述特征值训练支持向量机，得到所述疾病名词自动识别模型。

6.根据权利要求5所述的方法，其特征在于，从包含所述疾病名词句子中提取高频词，建立高频词表，包括：

对包含所述疾病名词句子进行统计，通过设定高频词元数、高频词个数以及不同词元的组合方案提取所述高频词，并根据所述高频词建立所述高频词表。