一种针对Twitter文本事件抽取的方法,申请号CN201610387008.7-传众专利搜索

一种针对Twitter文本事件抽取的方法

申请公布号：CN106055658A

申请号：CN201610387008.7

申请日期：2016.06.02

申请公布日期：2016.10.26

申请人：

中国人民解放军国防科学技术大学

发明人：郭利翔;张鑫;丁兆云;李沛;王晖;邓经升;乔凤才;程佳军;沈大勇;曹建平

分类号：G06F17/30(2006.01)I;G06F17/27(2006.01)I

主分类号：G06F17/30(2006.01)I

代理机构：

北京轻创知识产权代理有限公司 11212

代理人：谈杰

地址：410073 湖南省长沙市开福区德雅路109号国防科学技术大学

摘要：本发明公开了一种针对Twitter文本事件抽取的方法，主要包括以下步骤：步骤一，从Twitter平台上采集推文数据，并存入数据库；步骤二，数据去重处理和文本预处理；步骤三，事件消息识别联合要素抽取，包括基于触发词匹配的事件消息识别、时间表达式识别、基于词库的地名实体识别、基于词库的主体抽取、活动主题抽取。本发明利用基于规则的事件要素抽取的方法，针对每一个事件，标注其事件要素，主要为事件发生时间、地点、主体以及活动主题，可以更加准确地对采集到的推文进行事件抽取，实现事件的快速检测与发现。

主权项：一种针对Twitter文本事件抽取的方法，其特征在于，主要包括以下步骤：步骤一，从Twitter平台上采集推文数据，并存入数据库；步骤二，文本数据预处理：(1)数据去重处理，把内容基本或完全一致的推文进行去重处理；(2)文本预处理，首先是切句处理，将文本处理为句子级；然后对句子进行中文分词，以满足后续分析需要；步骤三，事件消息识别联合要素抽取，包括：基于触发词匹配的事件消息识别，使用事件触发词对已采集的去重数据进行过滤，得到目标结果；时间表达式识别，利用时间正则表达式以及自定义时间词库作为文本特征，对推文进行时间要素抽取，如果存在时间信息，则认为推文确实为事件推文，反之则认为是垃圾信息，不再提取其他要素；基于词库的地名实体识别，构建地名词典，并加入命名实体识别工具，从事件推文内容中抽取地名，从而得到事件的位置信息；基于词库的主体抽取，构建人物、团体词典，将这些词典加入命名实体识别工具，完成事件主体的抽取；活动主题抽取，根据活动主题要素完成事件抽取。