[发明专利]一种基于规则的人物属性提取方法和系统

说明书

本发明公开了一种基于规则的人物属性提取方法和系统，属于自然语言的信息提取技术领域，包括：对包含人物属性信息的段落使用中文分词器进行分词处理，得到所述段落包含的若干个人物属性词语，并标注各人物属性词语的词性；将带有词性标注的各人物属性词语使用空格进行分割，得到输入段落中所有人物属性词语与词性的集合，并保存到一维数组中；遍历一维数组中各人物属性词语的词性，将其和人物属性触发词匹配规则表进行匹配，对匹配上的人物属性词语，继续匹配所述人物属性词语前后的触发词，若匹配成功，则对所述人物属性词语进行提取，反之则不进行提取。本发明提供一种简单、有效的人物属性提取方法，降低了提取难度同时提高了提取效率。

技术领域

本发明属于自然语言的信息提取技术领域，更具体地，涉及一种基于规则的人物属性提取方法和系统。

背景技术

随着互联网的飞速发展，各个网站获取的用户数据也呈指数级增长，如何从这些海量数据中快速、准确地分析出真正有用的人物属性信息，为用户画像、商业投资决策提供数据支撑，成为信息提取这一研究领域力图解决的问题。人物属性、关系提取是信息提取任务之一，目的是从非结构化文本中提取实体属性以及实体之间的关系。

目前，人物属性提取方法主要有两种，第一种是基于规则匹配的方法，对于开放网页文本结构不固定、数据源格式众多的特点，该方法不仅要定义大量的规则，而且匹配效率很低，不利于工程推广。第二种是一个是基于传统机器学习算法实现，然而，传统的机器学习算法，对训练数据有极强的依赖性，需要人工标注大量数据，而且只能使用浅层的特征对数据分类，致使提取性能较差。

综上，虽然现有技术能够实现对人物属性的提取，但是，依然存在匹配效率低、提取性能差问题。因此，提供一种简单、有效的人物属性提取方法成为了人物属性提取领域的当务之急。

发明内容

针对现有技术的缺陷，本发明提供了一种基于规则的人物属性提取方法和系统，解决了现有技术在人物属性提取过程中匹配效率低、提取性能差的技术问题。

为实现上述目的，本发明提供了一种基于规则的人物属性提取方法，包括如下步骤：

(1)人物属性词语获取步骤：对包含人物属性信息的段落使用中文分词器进行分词处理，得到所述段落包含的若干个人物属性词语，并标注各人物属性词语的词性；

(2)人物属性词语分割保存步骤：将带有词性标注的各人物属性词语使用空格进行分割，得到输入段落中所有人物属性词语与词性的集合，并保存到一维数组中；

(3)人物属性词语匹配提取步骤：遍历一维数组中各人物属性词语的词性，将其和人物属性触发词匹配规则表中的词性进行匹配，若匹配上，则对人物属性词语前后扫描是否存在触发词，若存在触发词，则对所述人物属性词语进行提取，反之则不进行提取。

在一个可选的实施例中，所述人物属性词语获取步骤中人物属性词语的词性，具体为：

所述人物属性词语的词性为人物属性词语所属的类别。

在一个可选的实施例中，所述人物属性词语获取步骤，还包括：

使用中文分词器的分词程序对人物属性词语是否为命名实体进行识别。

在一个可选的实施例中，所述命名实体，具体为：

若干人物属性词语的词性实例化后个体的集合。

在一个可选的实施例中，所述触发词，具体为：

所述触发词为人物属性词语的词性的同义词、近义词或同类型词汇，用于对人物属性词语的词性做进一步确认。

在一个可选的实施例中，所述触发词，还包括：