CN101777082A

CN101777082A - 一种文字信息与地理信息的关联方法及***

Info

Publication number: CN101777082A
Application number: CN 201019026119
Authority: CN
Inventors: 林金炼; 周为群; 黄晖
Original assignee: Suzhou Digital Map Network Technology Co Ltd
Current assignee: Suzhou Digital Map Network Technology Co Ltd
Priority date: 2010-03-01
Filing date: 2010-03-01
Publication date: 2010-07-14

Abstract

本发明公布了一种文字信息与地理信息的关联方法及***，所述方法如下：接受原始文本，所述原始文本为文字信息；对原始文本进行地理关键词分析，获得原始文本中的第一地理关键词信息集合，并经过冲突检查获得第二地理关键词信息集合；利用预置的地理数据库，对第二地理关键词信息集合中的各个地理关键词信息逐一进行搜索，获取地理要素匹配信息集合；将匹配度最高的匹配信息设定为地理关键词信息的关联。本发明***包括接收器、分析器、搜索器和关联匹配器。本发明增加具有地理特征的文字信息表现的丰富度。

Description

一种文字信息与地理信息的关联方法及***

技术领域

本发明涉及文字信息处理及发布领域，特别是涉及一种针对网络文字信息发布中含有地理特征的文字信息与地理信息关联的方法和***。

背景技术

现实世界中大量的信息是以文字形式存在的，这些文字内容中包含了大量的地理信息(地理特征)，例如介绍一篇拙政园的文章：“拙政，典故称谓，是苏州拙政园名称的由来。拙政园，被誉为“天下园林之母”，与北京颐和园，承德避暑山庄，苏州留园中称另四大名园”。其中的“苏州拙政园，北京颐和园，承德避暑山庄，苏州留园”等就是典型的地理信息。

地理信息即位置信息，通常可以用地图的方式来表现，是一种直观的信息表达形式，并且可以进一步的利用地理信息技术来实现出行指路等深入的服务。

如果能够将文字信息与地理信息相互结合，让文字和地理信息一体化展示，让读者在浏览文字的时候，也能够进一步了解地名地物的位置，那么将可以大大的提高文字的可读性和表示的新颖性。例如，在阅读一篇新闻时，新闻的内容介绍的是某地正在举办美食节，而读者就能够了解美食节的地点，甚至获取到到达的路径，将是一种美好的阅读体验。

然而，现在大量的文字内容，特别是互联网上新闻内容，只是纯粹的文字发布，并没有与地理信息进行结合。

另外，现有的技术未完全考虑到全称，简称的情况，例如：“卫生监督所”与“卫监所”一般指同一个地理要素，在检索时可能会导致简称被忽略掉的情况。

现有技术未完全考虑到网络发布中模糊匹配的需求，例如“全市卫生监督所年终总结大会”，这一段文字需要对应的是全市所有“卫生监督所”的位置。即一个地理关键词对应多个地理要素，现有技术无法进行灵活的识别和判断。

发明内容

技术问题：本发明目的是针对背景技术中所述现有技术存在的缺陷提供一种文字信息与地理信息的关联方法及***，解决文字信息与地理信息快速关联。

技术方案：本发明为实现上述目的，采用如下技术方案：

本发明一种文字信息与地理信息的关联方法，包括如下步骤：

第一步：接受原始文本，所述原始文本为文字信息；

第二步：对原始文本进行地理关键词分析，获得原始文本中的第一地理关键词信息集合，并将所述第一地理关键词信息集合经过冲突检查获得第二地理关键词信息集合；

第三步：利用预置的地理数据库，对第二步所述的第二地理关键词信息集合中的各个地理关键词信息逐一进行搜索，获取与第二地理关键词信息集合中的各个地理关键词信息相对应的地理要素匹配信息集合，所述地理要素匹配信息集合由多组相对应的地理位置和匹配度构成的匹配信息构成；

第四步：将第三步所述的匹配度最高的匹配信息设定为地理关键词信息的关联。

第二步中，采用预置的地名词典对原始文本进行地理关键词分析，所述地名词典的构造方法如下：从预置的地理数据库中抽取地理要素名称，形成地理要素名称的文本集合即构成地名词典。

所述地理关键词分析采用分词方法或分词模块实现。

所述的冲突检查方法如下：

(1)当一个地理关键词包含另一个地理关键词，则根据最大匹配的原则进行过滤；

(2)当一个地理关键词与另一个地理关键词部分重叠，则根据预制的规则进行冲突规避。

所述预制的规则为后匹配规则。

第三步所述的搜索采用全文搜索方法。

将第二步所述的第二地理关键词信息集合中的每一个地理关键词做第二次分词处理，得到搜索关键词集合用于全文搜索。

一种文字信息与地理信息的关联***，包括：

接收器，用于接收原始文本，所述原始文本为文字信息；

分析器，用于分析接收到的原始文本，参考地名词典，提取出原始文本中的所有第一地理关键词信息集合；同时，对第一地理关键词信息集合进行冲突检查，获得过滤后的第二地理关键词信息集合；

搜索器，参考地理数据库，对第二步所述的第二地理关键词信息集合中的各个地理关键词信息逐一进行搜索，获取与第二地理关键词信息集合中的各个地理关键词信息相对应的地理要素匹配信息集合；

关联匹配器，根据与第二地理关键词信息集合中的各个地理关键词信息相对应的地理要素匹配信息集合，确定关联匹配。

关联***还包括关联选择器即选择界面装置，根据与第二地理关键词信息集合中的各个地理关键词信息相对应的地理要素匹配信息集合，人工确定关联匹配。

有益效果：通过本发明，网络中单纯的文字信息可以与地理信息关联，从而增加具有地理特征的文字信息表现的丰富度。这种方法可以应用于采用文字方式发布内容的各个领域，例如新闻媒体，电子政务，互动社区等；进一步地，可以在在互联网，移动网络等环境下开发各类应用***和商业化产品。采用冲突检查方法提高匹配的精度。

本发明建立的关联***，可以进行灵活的进行文本分析，以建立文字信息与地理信息的关联。同时，对于网络文本的发布，本发明除了提供自动化的匹配外，还能提供灵活的人工编辑手段，以辅助信息的有效推送。

附图说明

图1：本发明关联方法流程图。

图2：本发明关联***结构图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

如图1所示，表示了本发明的一种文字信息与地理信息关联的方法实例。

步骤101、接收原始文本，所述文本为一段文字，可能包含地理信息。

例如“拙政园，被誉为“天下园林之母”，与北京颐和园，承德避暑山庄，苏州留园称另四大名园”。其中“拙政园”、“北京”、“颐和园”、“承德”、“苏州”和“留园”为构成地理信息的地理关键词。

步骤102、利用预置的地名词典对原始文本进行地理关键词分析，获得原始文本中的第一地理关键词信息集合。地理关键词分析可以根据分词方法进行实现，亦可以考虑采用现有的开源分词模块，如paoding，mmseg等。

所述的地名词典是一系列的地理名词的集合，可以包括地理实体名称如道路，河流，绿地，旅游景点等；也包括非地理实体名称，如非物质文化遗产，事件点等；所述的地理关键词信息包括：地理关键词名称，地理关键词的在文本中起始位置，地理关键词的在文本中结束位置等信息。例如：在“拙政园，被誉为“天下园林之母””的原始文本，经过分析后，返回的第一地理关键词信息集合如下：

地理关键词名称	地理关键词的在文本中起始位置	地理关键词的在文本中结束位置
地理关键词名称	地理关键词的在文本中起始位置	地理关键词的在文本中结束位置	拙政园	1	3

优选的，地名词典可以包括地名全称，简称，俗称，历史名称等。

进一步的，对第一地理关键词信息集合在文本中的位置关系进行冲突检查。如果一个关键词包含另一个关键词，例如，“拙政园站”包含“拙政园”，可以根据最大匹配的原则进行过滤，选中“拙政园站”。如果一个关键词与另一个关键词部分重叠，可以根据预制的规则进行冲突规避。例如，“虎丘公园天下酒店”包含了“虎丘公园”与“公园天下酒店”两个地理关键词，根据预制的后匹配规则(中文的重点词一般放在后面)可以确定是“公园天下酒店”，而忽略前一个地理关键词。经过以上的冲突检查，形成第二地理关键词信息集合。

通过步骤102，从原始文本内容中获得第二地理关键词信息集合。

步骤103、对通过步骤102获得的第二地理关键词信息集合，利用预置的地理数据库，逐一进行搜索，返回一个或多个相匹配的地理要素匹配信息。所述的地理数据库包含地名词典的所有地名信息，位置信息及其它的附属信息。所述的地理要素匹配信息可以包括地理要素标识，地理要素名称，地理位置，匹配度等。例如：

地理要素标识	地理要素名称	地理位置	匹配度
地理要素标识	地理要素名称	地理位置	匹配度	11320337	虎丘公园	X：121.234\|Y：32.235	1

优选的，搜索过程利用数据库的全文搜索进行，为解决简称匹配以及模糊匹配问题，可对第二地理关键词信息集合中的每一个地理关键词做第二次分词处理，得到搜索关键词集合用于全文搜索，所述的搜索关键词集合包括原始地理关键词和二次分词结果。

例如：地理关键词“苏州市卫监所”经过二次分词后的形成关键词集合为“苏州”，“苏州市”，“卫”，“监”，“所”，分词结果依据所采用词库。搜索关键词集合为“苏州市卫监所”，“苏州市”，“卫”，“监”，“所”。

本例中采用开源分词模块词库和地名词典进行分词，lucene建立地理数据库全文索引，并用lucene进行全文搜索，并根据匹配度返回地理要素匹配信息数据集。

例如：“苏州市卫监所”的地理关键词信息可以有以下的匹配结果。

地理要素标识	地理要素名称	地理位置	匹配度
地理要素标识	地理要素名称	地理位置	匹配度	11320337	苏州市卫监所	X：121.234\|Y：32.235	1
11320339	苏州市卫生监督所	X：121.234\|Y：32.235	0.8	11320337	苏州市卫监所	X：121.234\|Y：32.235	1
11320339	苏州市卫生监督所	X：121.234\|Y：32.235	0.8	11320340	吴中区卫生监督所	X：121.234\|Y：32.276	0.5

通过步骤103，获得了一个按照匹配度从大到小的地理要素匹配信息集合。

步骤104、针对102步获得的地理关键词和103步获得地理要素匹配信息集合，根据返回的匹配度，设定最优的地理关键词和地理要素匹配信息的关联。

如图2所示，表示了一种文字信息与地理信息关联的***实例。

接收器301，用于接收原始文本，文本中可能包含地理关键词。

分析器302，用于分析接收到的原始文本，参考地名词典，提取出原始文本中的所有第一地理关键词信息集合。同时，对第一地理关键词信息集合进行冲突检查，获得过滤后的第二地理关键词信息集合。

搜索器303，参考地理数据库，用第二地理关键词信息集合逐一进行搜索，获取地理要素匹配信息集合。

关联匹配器304-1，根据第二地理关键词信息集合与地理要素匹配信息集合的匹配度，确定关联匹配信息。

优选的，针对网络文本的发布，尤其是新闻发布，本发明除了提供自动化的匹配外，还能提供灵活的人工编辑手段，以辅助信息的有效推送。例如“全市卫生监督所年终总结大会”，这一段文字同时需要对应的是所有“卫生监督所”的位置。即一个地理关键词对应多个地理要素，可以通过人工对地理关键词和地理要素匹配信息的关联进行筛选确定。因此，此处采用关联选择器304-2即选择界面装置，辅助人工选择，用于人工确定关联匹配。

以上对本发明所提供的方法和和***做了详细的介绍，以上运用的实例是帮助理解本发明的核心思想，本领域的一般技术人员依据本发明的思想，在具体实施方式和应用范围上均会有改变之处。综上所述，本说明书的内容不应理解为对本发明的限制。

Claims

1.一种文字信息与地理信息的关联方法，其特征在于包括如下步骤：

第一步：接受原始文本，所述原始文本为文字信息；

2.根据权利要求1所述的一种文字信息与地理信息的关联方法，其特征在于第二步中，采用预置的地名词典对原始文本进行地理关键词分析，所述地名词典的构造方法如下：从预置的地理数据库中抽取地理要素名称，形成地理要素名称的文本集合即构成地名词典。

3.根据权利要求1或2所述的一种文字信息与地理信息的关联方法，其特征在于所述地理关键词分析采用分词方法或分词模块实现。

4.根据权利要求1所述的一种文字信息与地理信息的关联方法，其特征在于第二步所述的冲突检查方法如下：

5.根据权利要求4所述的一种文字信息与地理信息的关联方法，其特征在于所述预制的规则为后匹配规则。

6.根据权利要求1所述的一种文字信息与地理信息的关联方法，其特征在于第三步所述的搜索采用全文搜索方法。

7.根据权利要求6所述的一种文字信息与地理信息的关联方法，其特征在于将第二步所述的第二地理关键词信息集合中的每一个地理关键词做第二次分词处理，得到搜索关键词集合用于全文搜索。

8.一种文字信息与地理信息的关联***，其特征在于包括：

接收器，用于接收原始文本，所述原始文本为文字信息；

9.根据权利要求8所述的一种文字信息与地理信息的关联***，其特征在于还包括关联选择器即选择界面装置，根据与第二地理关键词信息集合中的各个地理关键词信息相对应的地理要素匹配信息集合，人工确定关联匹配。