[发明专利]基于WEB及GBBoosting算法的人名国别识别方法

摘要

本发明公开了一种基于WEB及GBBoosting算法的人名国别识别方法，属于WEB数据挖掘技术领域。该方法包括以下步骤步骤一通过WEB数据抽取技术提取高校学者人名；步骤二构造GBBoosting算法构造弱分类器，每个弱分类器对输入样本输出一个弱分类假设，通过所有弱分类器的权重融合构成一个强分类器；步骤三通过GBBoosting算法识别所属的国别。本发明所述的基于WEB及GBBoosting算法的人名国别识别方法，有效的解决了两个国家人名拼写方式相近的情况下不能分类的问题；同时本方法比现有的其它分类方法更易实施，能更好的应用于人名国别或者城市国别语义标注等工程实践中。

主权项

一种基于WEB及GBBoosting算法的人名国别识别方法，其特征在于：包括以下步骤：步骤一：通过WEB数据抽取技术提取高校学者人名；步骤二：构造GBBoosting算法：构造弱分类器，每个弱分类器对输入样本输出一个弱分类假设，通过所有弱分类器的权重融合构成一个强分类器；步骤三：通过GBBoosting算法识别所属的国别；在步骤一中，通过GOOGLE搜索引擎接口得到高校学院页面，然后在学院页面进行语义分析得到学院学者所在页面，最终通过命名实体识别技术和语义分析技术得到抽取页面中的学者信息；在步骤二中，弱分类器的构造步骤具体包括：1)将两种类型的训练文本用向量表示为2)根据公式计算出两种训练文本的中间向量3)根据公式算出中间向量的垂直向量对于任意一个测试向量ai，如果(mi·ai)＞0，则将ai的标签标记为+1，如果(mi·ai)＜0，则将ai的标签标记为‑1；迭代弱分类器，其权值融合形成强分类器，其具体步骤如下：首先，给定两个训练集D1＝(x1,x2,...,xi,...,xn)，D2＝(y1,y2,...,yi,...,yn)，一个测试集DTest＝(z1,z2,...,zi,...,zn)，将训练集D1、D2，测试集DTest，分别表示成向量形式：并分别初始化D1、D2，DTest中的样本权重；其次，1)从D1，D2中随机选取M(N/5<M<N)个样本组成子集D11、D21，分别对子集D11、D21中的向量对应相加并且单位化得到两个向量2)根据线性分类器的构造过程，得到与两个向量的中间向量垂直的向量生成弱分类器H(x)1；经过p次循环，得到p个不同的垂直向量p个弱分类器h(x)1,h(x)2,…,h(x)p；最终H(x)＝h(x)1+h(x)2+…+h(x)p，即