[发明专利]实体关系数据的生成方法、装置、设备及存储介质

说明书

本发明实施例公开了一种实体关系数据的生成方法、装置、设备及存储介质。所述方法包括：获取与目标网页对应的网页源码数据；在所述网页源码数据中，识别出至少一个键值块，其中，所述键值块中包括至少一个键值对；在所述网页源码数据中，识别出与所述至少一个键值块对应的主体值；根据所述键值块以及与所述键值块对应的主体值，生成与所述目标网页对应的实体关系数据。通过本发明的技术方案，能够提高网页通用性，降低人力成本，提高实体关系数据的产出量。

技术领域

本发明实施例涉及信息处理技术，尤其涉及一种实体关系数据的生成方法、装置、设备及存储介质。

背景技术

实体关系数据，也被称作SPO三元组数据，是指实体pair(主体S-客体O pair)与他们之间的关系(P)构成的三元组。实体关系是知识图谱的关键组成部分，从知识图谱构建角度来看，实体关系挖掘可以丰富图谱中的关系知识，构建实体之间的关联关系；从产品应用角度，实体关系一方面可以直接满足用户对于知识类的搜索需求，例如搜索某个明星的妻子“×××妻子”时，可以通过实体关系数据直接给出答案，另外一方面还可以基于实体关系为用户推荐关联的知识，为用户提供信息扩展的阅读体验，例如搜索某个名人的名字“××”时，可以通过实体关系为用户推荐该名人相关的其他实体。

现有技术中，实体关系挖掘主要通过以下两种方式来进行：

其中，第一种方式是，针对百科类网站进行抽取。根据百科类网站有良好的结构，数据十分规范的特点，直接从百科类网站的信息盒或者属性表格(百科类网站的实体下用于描述实体属性的一种网页结构)中抽取实体关系。利用百科类网站结构简单稳定的特点，从待抽取的百科类站点中采样并标注几个典型页面，对这些页面通过模式学习算法自动构建出一个或多个以类xpath表示的模式，然后将其应用在该站点的其他详细页面中从而实现抽取。

第二种方式是，针对网站生成包装器(模板)的抽取方法。通过分析需要抽取的网站的结构和HTML标签等信息，构造对应的包装器，使用这个包装器对该网页进行实体关系抽取。对于一般的有规律的页面，包装器通常依靠人工使用正则表达式的方式写出xpath和CSS选择器表达式来提取网页中的元素。

现有技术的缺陷在于：第一种方式可以抽取的数据量少，且数据时效性不强；第二种方式的人工成本很高且通用性不强。

发明内容

本发明实施例提供一种实体关系数据的生成方法、装置、设备及存储介质，以实现提高网页通用性，降低人力成本，提高实体关系数据的产出量。

第一方面，本发明实施例提供了一种实体关系数据的生成方法，包括：

获取与目标网页对应的网页源码数据；

在所述网页源码数据中，识别出至少一个键值块，其中，所述键值块中包括至少一个键值对；

在所述网页源码数据中，识别出与所述至少一个键值块对应的主体值；

根据所述键值块以及与所述键值块对应的主体值，生成与所述目标网页对应的实体关系数据。

第二方面，本发明实施例还提供了一种实体关系数据的生成装置，该装置包括：

源码获取模块，用于获取与目标网页对应的网页源码数据；

键值块识别模块，用于在所述网页源码数据中，识别出至少一个键值块，其中，所述键值块中包括至少一个键值对；

主体值识别模块，用于在所述网页源码数据中，识别出与所述至少一个键值块对应的主体值；

数据生成模块，用于根据所述键值块以及与所述键值块对应的主体值，生成与所述目标网页对应的实体关系数据。

第三方面，本发明实施例还提供了一种计算机设备，该设备包括：

一个或多个处理器；