[发明专利]一种网页内容的地理位置预测方法及装置

说明书

本发明实施例提供了一种网页内容的地理位置预测方法及装置，其中方法包括：获取待处理网页内容中的多个第一地理实体和多个第一关键词，生成地理实体集合和关键词集合，再将地理实体集合中的第一地理实体在知识图谱中匹配到的第二地理实体确定为候选地理实体，接着在知识图谱中查找目标关键词，并确定目标关键词与该候选地理实体间对应关系的权重，然后计算候选地理实体的重要程度值，对候选地理实体进行过滤，得到过滤后的候选地理实体，将过滤后得到的候选地理实体确定为待处理网页内容的地理位置预测结果。

技术领域

本发明涉及计算机技术领域，特别是涉及一种网页内容的地理位置预测方法及装置。

背景技术

互联网每天都会产生大量的文本资源，这些文本资源中含有大量信息，待处理网页内容预测就是挖掘文本资源中的大量信息中的位置信息，位置信息表示文本资源中与地理位置有关的名词，实现互联网文本资源到位置的映射。

现有技术在进行待处理网页内容地理位置预测时，先获取一个网页页面的文本内容，利用命名实体识别方法提取出文本内容中所有地理实体，命名实体识别指识别文本中具有特定意义的实体，地理实体表示文本内容中的包含地理位置信息的名词。然后根据地理实体的词频、在文本中的位置等信息，利用一定的方法(如PageRank算法、核密度估计算法、启发式算法等)去评估每个地理实体对于文本的重要程度或者地理实体的大致集中分别区域，从而实现整篇文本内容的地理位置预测。

现有技术仅提取待处理网页内容中的地理实体进行预测，没有提取网页页面文本内容中的关键词，而有些关键词中与提取出的地理实体关联密切，因此，会导致待处理网页内容地理位置预测结果不准的问题。

发明内容

本发明实施例的目的在于提供一种网页内容的地理位置预测方法及系统，用以解决网页内容地理位置预测结果不准的问题。具体技术方案如下：

第一方面，本发明实施例提供了一种网页内容的地理位置预测方法，所述方法包括：

获取待处理网页内容中的多个第一地理实体和多个第一关键词，所述第一地理实体为包含地理位置信息的名词，所述关键词为所述待处理网页内容中除所述第一地理实体以外的其他名词；

生成包含所述多个第一地理实体的名称信息和词频的地理实体集合，以及生成包含所述多个第一关键词的名称信息和词频的关键词集合；

将所述地理实体集合中的第一地理实体在知识图谱中匹配到的第二地理实体确定为候选地理实体，其中，所述知识图谱中包含所述第二地理实体与第二关键词间的对应关系，所述第二地理实体与第二关键词间的对应关系的权重以及第二地理实体间的对应关系，且所述知识图谱中的各第二地理实体间具有层级关系，所述层级关系用于表示第二地理实体间的地理范围的包含关系，所述第二关键词为所述知识图谱中除所述第二地理实体以外的其他名词；

针对得到的候选地理实体，在所述知识图谱中查找目标关键词，所述目标关键词为与所述候选地理实体对应的、且在所述关键词集合中具有相同名称的第一关键词的第二关键词，并确定所述目标关键词与该候选地理实体间对应关系的权重；

针对所述候选地理实体以及该候选地理实体对应的目标关键词，基于该候选地理实体所匹配的第一地理实体在所述地理实体集合中的词频，所述目标关键词在所述关键词集合中具有相同名称的第一关键词的词频，以及所述目标关键词与该候选地理实体间对应关系的权重，计算所述候选地理实体的重要程度值，所述候选地理实体的重要程度值用于衡量该候选地理实体的重要程度；

根据预设的过滤规则，对所述候选地理实体进行过滤，得到过滤后的候选地理实体，所述过滤规则基于所述候选地理实体的重要程度值，及所述候选地理实体间的层级关系确定；

将过滤后得到的候选地理实体确定为所述待处理网页内容的地理位置预测结果。

可选的，所述知识图谱的构建过程包括：