CN101128822A - 权威性文档识别 - Google Patents

权威性文档识别 Download PDF

Info

Publication number
CN101128822A
CN101128822A CNA2005800486432A CN200580048643A CN101128822A CN 101128822 A CN101128822 A CN 101128822A CN A2005800486432 A CNA2005800486432 A CN A2005800486432A CN 200580048643 A CN200580048643 A CN 200580048643A CN 101128822 A CN101128822 A CN 101128822A
Authority
CN
China
Prior art keywords
document
candidate documents
relevant
documents
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CNA2005800486432A
Other languages
English (en)
Inventor
丹尼尔·艾尼奥
吉塔·乔杜里
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Google LLC
Original Assignee
Google LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Google LLC filed Critical Google LLC
Publication of CN101128822A publication Critical patent/CN101128822A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

一种用于确定与位置有关的文档的系统，识别与每一个文档有关的一组信号，以及根据所述信号确定所述文档对于所述位置的权威性。

Description

权威性文档识别
技术领域
这里描述的实施例通常涉及信息检索，更具体地，涉及一个位置的权威性文档的识别。
背景技术
现代的计算机网络，特别使因特网，可以广泛便捷地应用大量信息。例如，因特网搜索引擎索引了连接到因特网的大量web文档。连接到因特网的用户可以键入简单的搜索查询以快速地定位与该搜索查询相关的web文档。
用户常常对查找与特定位置相关的文档感兴趣。但是，所述位置的权威性文档可能不包含该位置的地址。有时该地址定位在子文档中或者无法分析(如无法索引)的图像中。这使得很难识别权威性文档。
发明内容
根据一个方面，一种包括存储计算机可执行指令的计算机可读介质，包括用于识别与位置相关的文档的指令，用于确定与文档相关的一组信号的指令，以及用于根据所述信号确定所述位置的文档的权威性的指令。
附图说明
结合于此并构成说明书的一部分的附图，说明了本发明的一个实施例，以及结合该描述，解释本发明。其中
图1是说明符合本发明原理的概念的示范性示意图。
图2是在其中符合本发明的原理的系统和方法可以执行的网络的示范性示意图。
图3是根据符合本发明的原理的实施例的图2的客户端或服务器的示范性示意图。
图4是根据符合本发明的原理的实施例，用于确定所述位置的文档的权威性的示范性处理的流程图。
图5是根据符合本发明的原理的实施例，用于说明文档如何被选作候选文档的示范性示意图。
图6是根据符合本发明的原理的实施例，当识别文档的权威性时，需要考虑的信号的示范性示意图。
具体实施方式
以下本发明的详细描述参照附图。在不同附图中相同的参考标记表示相同或者类似的元件。并且以下的详细描述不限制本发明。
概述
图1是说明符合本发明的原理的概念的示范性示意图。考虑局部文档的语料库100。该文档在感觉上是局部的，它们与特定的地理区域相关联，尽管不必是相同的地理区域。例如，与企业登记信息(businesslisting)相关的文档可以被认为是局部文档因为它与特定的企业地址相关联。
可以分析语料库100中的文档以确定它们所关联的位置。例如，假定在组110中的各文档与相同的位置有关。在组110中的每一个文档在某些方面涉及该位置。例如，在组110中的文档可能提及了在该位置的企业，该企业的地址，和/或与该企业相关的电话号码。在该组中的一个文档对于该位置可以比另一个文档具有更高的权威性。例如，相应于在该位置的某餐馆主页的文档被认为较之相应于该餐馆的评论的文档对于该位置具有的更高的权威性。符合本发明原理的系统和方法可以确定与位置相关的文档的权威性。
在这里使用的术语“文档(document)”，可以被更广义地解释为包含任意的计算机可读和计算机可存储的工作产品(work product)。文档例如可以包括：电子邮件、网页、企业名录、文件、文件的组合、一个或者多个具有嵌入到其他文件的链接的文件、新闻组帖子、博客(blog)、网页广告等等。在因特网的内容中，常见的文档是web页。Web页通常包括文本信息以及可以包括嵌入信息(例如元信息、图像、超链接等)和/或嵌入指令(例如Javascript等)。在这里使用的术语“链接(link)”，可以被更广义地解释为包括不同文档之间或相同文档的不同部分之间的引用/参考。
示范性网络配置
图2是在其中可以执行符合本发明的原理的系统和方法的网络200的示范性示意图。网络200可以包括通过网络250连接到多个服务器220-240的若干客户端210。为了简单，已经示出了连接到网络250的两个客户端210和三个服务器220-240。实际上，可以有更多的或者更少的客户端和服务器。而且，在一些例子中，客户端可以执行服务器的功能而服务器可以执行客户端的功能。
客户端210可以包括客户端实体。实体可以定义为一个设备，例如无线电话、个人计算机、个人数字助理(PDA)、便携计算机、或者另一种类型的计算或通信设备、在这些设备上运行的线程或进程、和/或可以由这些设备中的一个执行的对象。服务器220-240可以包括以符合本发明的原理的方式收集、处理、搜索和/或维持文档的服务器实体。
在符合本发明原理的实施例中，服务器220可以包括客户端210可用的搜索引擎225。服务器220-240可以爬取(crawl)文档的语料库(例如，web文档)、索引这些文档，并在文档库中存储与这些文档相关的信息。服务器230和240可以存储或保持可以被服务器120爬取或分析的文档。
虽然作为分离的实体示出了服务器220-240，对于一个或者多个服务器220-240，执行另外一个或者多个服务器220-240的一个或者多个功能也是可能的。例如，两个或者多个服务器220-240作为一个单独的服务器实现也是可能的。对于单个服务器220-240作为两个或者多个分离(以及可能是分布式)设备实现也是可能的。
网络250可以包括局域网(LAN)、广域网(WAN)、电话网络例如公共交换电话网络(PSTN)、企业内联网、因特网、存储器设备或者网络的组合。客户端210和服务器220-240可以通过有线的、无线的和/或光连接器连接到网络250。
示范性客户端/服务器体系结构
根据符合本发明的原理的实施例，图3是客户端或服务器实体(下文中称作“客户端/服务器实体”)的示范性示意图，该实体相应于一个或者多个客户端210和/或服务器220-240。该客户端/服务器实体可以包括总线310、处理器320、主存储器330、只读存储器(ROM)340、存储设备350、输入设备360、输出设备370以及通信接口380。总线310可以包括允许客户端/服务器实体的元件之间通信的通路。
处理器320可以包括传统处理器、微处理器或者解释和执行指令的处理逻辑单元。主存储器330可以包括随机存取存储器(RAM)或者可以存储由处理器320执行的信息和指令的另一种类型的动态存储设备。ROM 340可以包括传统的ROM设备或者另一种可以存储由处理器320执行的静态信息和指令的静态存储设备。存储设备350可以包括磁和/或光记录介质以及它的相应驱动器。
输入设备360可以包括传统的允许操作者输入信息给客户端/服务器实体的机构，例如键盘、鼠标、笔、声音识别和/或生物识别机构等。输出设备370可以包括传统的输出信息给操作者的机构，包括显示器、打印机、扬声器等。通信接口380可以包括任意的能够使得客户端/服务器实体与其他设备和/或系统通信的类似收发器机构。例如，通信接口380可以包括用于通过网络与另一个设备或系统通信的机构，例如网络250。
如以下详细描述的，符合本发明的原理的客户端/服务器实体，可以执行某种文档的相关处理操作。客户端/服务器实体可以响应于处理器320执行包含在计算机可读介质例如存储器330中的软件指令而执行这些操作。计算机可读介质可以被定义为物理的或者逻辑的存储设备和/或载波。
软件指令可以从另一个计算机可读介质例如数据存储设备350或者通过通信接口380从另一个设备读入存储器330。包含在存储器330中的软件指令可以使处理器320执行稍后将要描述的处理。可替换地，硬连线电路可以替代软件指令或者相结合使用，以实现符合本发明的原理的处理。因而符合本发明的原理的实施不被局限于任意的硬连线电路和软件的特定组合。
示范性处理
图4是根据符合本发明的原理的实施例用于确定一个位置的文档权威性的示范性处理的流程图。在一个实施例中，图4的处理由服务器220(图2)执行。在另一个实施例中，图4的处理由另一个设备或另一组设备执行。
在该处理的开始，识别与特定位置相关的候选文档集(块410)。分析文档的语料库以识别包含与所述位置相关的信息的文本的片断(其中文本的片断可以定义为文档的一部分或者整个文档)，例如与所述位置相关的完整或者部分地址，与所述位置相关的完整或者部分电话号码，和/或与所述位置相关的企业的完整或者部分名称。与这些片断相关的文档可以被包含作为第一组候选文档。
包含与某位置相关的信息的文档常常链接到该位置的权威性文档。因而，链接到第一组中候选文档的文档可以被包含作为第二组候选文档。可以从第一和第二组中候选文档的地址中识别出第三组候选文档，例如通过去除第一和第二组中候选文档的部分地址。例如，假定一个候选文档包含地址http://www.abcdef.com/ghijk/lmnop/arst.htm。部分地址可被去除以识别另外的候选文档。例如，以下另外的候选文档可以包含在第三组(如果它们存在的话)中：(1)http://www.abcdef.com/ghijk/lmnop；(2)http://www.abcdef.com/ghijk；以及(3)http://www.abcdef.com。该组候选文档可以进一步扩展或者以本领域技术人员公知的其他方式扩展。
可以组合第一、第二和第三组候选文档以形成所述候选文档集。图5是根据符合本发明原理的实施例的说明文档如何被选择作为候选文档的示范性示意图。如图5所示，组(A)包括具有包含与所述位置相关的信息的文本片断的文档，例如所述位置的完整或者部分地址、与所述位置相关的完整或者部分电话号码，和/或与所述位置相关的企业的完整或者部分名称，以及组(B)可以包括链接到组(A)的文档的文档；以及组(C)可以包括根据组(A)和(B)中的文档地址形成的文档。组候选文档集可以从组(A)、(B)和(C)中的文档中形成。
返回到图4，可以确定与该候选文档集相关的信号(块420)。该信号相应于与候选文档相关的元数据。一种类型的信号可以与候选文档中指向另一个候选文档的外部链接的数目相关联。一个权威性文档可以是相应于从大量候选文档的外部链接所指向的目的文档。
另一种类型的信号可以与指向候选文档的外部链接的锚定文(anchor text)本相关联。该锚定文本可以与语料库中的任意文档相关联并且可以分析它以确定该锚定文本是否同与所述位置相关的企业的完整或者部分名称匹配。在这种情况下，匹配的文本可能是错综复杂的因为企业名称可能是复杂的短语，包含部分名称和/或拼写错误。这样，可根据词和/或双字的出现频率，使用文本相似性比较技术来为词和/或双词打分。
词和/或双词出现的频率可以通过按每一个地理区域(例如，邮政编码)来分析文档而确定。例如，已知与特定地理区域相关的一组文档中的所有词和双词可以被计数。假设双词“New York”在纽约市区非常常用，因此对于纽约市区会有很高的计数值。此外假设双词“Pandella Shop”在纽约市区不常用，因此，对纽约市区具有较低的计数值。
可以从不同的地理区域中产生直方图以识别对那些地理区域来说常用或者不常用的词和/或双词。在上述例子中，与纽约市区相关联的直方图可以指示双词“New York”是常用的(就是说，在与纽约市区相关的文档中经常出现)以及双词“Pandella Shop”是不常用的(就是说，在与纽约市区相关的文档中不经常出现)。
可以使用任意公知的文本相似性比较技术来确定锚定文本是否同与所述位置相关的企业的完整或部分名称匹配。对于部分文本匹配以及用于不常用词和/或双词(例如，“Pandella Shop”)的拼写错误的文本匹配较之常用的词和/或双词(例如，“New York”)给予更高的容限。权威性文档可以是相应于其锚定文本与该企业的完整或者部分名称匹配的外部链接所指向的目标文档。
另一种信号可以与候选文档的文档标题相关联。可以分析候选文档的文本以确定文档标题与和所述位置相关的企业的完整或者部分名称是否匹配。可以使用与上述类似的文本相似性比较技术来确定何时候选文档的标题与该企业的完整或者部分名称匹配。权威性文档可以包括与企业的完整或者部分名称匹配的标题。
另一种类型的信号可以与和候选文档相关的域名相关联。分析域名的文本以确定该文本是否与和所述位置相关的企业的完整或者部分名称相匹配。域名经常被压到一起和/或是企业名称的截断版本(例如，Bob’s Biliard Shop可能按BobsBilliard.com或者BobsBilliardShop.com的形式出现)。还可以使用任何已知的子字符串匹配技术，或者除此之外，使用上述的文本相似性比较技术来确定何时与候选文档相关的域名与企业的完整或者部分名称匹配。权威性文档可以和与企业的完整或者部分名称匹配的域名相关联。
用于该集中不同候选文档的信号可以按某种方式被加权或者组合以获取权威性得分(块430)。例如，可以导出所述信号的值(或者得分)以及以某种方式加权所述的值(或得分)。在一个实施例中，与一个或者多个信号相关的值(或得分)，例如与锚定文本和/或域名相关的信号，可以较之另外一个或者多个信号相关的值(或得分)更高地加权。可以通过例如将它们加到一起而组合所述的值(或得分)以获取该集中每一个候选文档的权威性得分。
在一个实施例中，如果某个候选文档与单个位置(相对于多个位置)相关联，可以增加该候选文档的权威性得分。一些候选文档可以包括提及不同位置但是涉及(例如链接到)相同文档的文本片断。例如，一个候选文档可以提及位置A并链接到文档A，而另一个候选文档可以提及位置B并且也链接到文档A。同时，某些候选文档可以与多个位置相关联。例如，一个候选文档可以提及位置A和B，例如在企业具有多个位置的情况下。可以增加专用于一个位置的候选文档的权威性得分。
可以根据候选文档的权威性得分确定它们的权威性(块440)。具有较高权威性得分的文档较之具有较低权威性得分的文档可被确定为对所述位置更具权威性。
然后可以根据它们的权威性来处理各候选文档(块450)。例如，可以使用候选文档的权威性得分用于后续的处理阶段或者来控制排名、布置位置、强调和/或与候选文档相关的其他用户界面要素。例如，当以后接收与某位置相关的搜索查询时，在搜索结果中，较之较低权威性的文档，较高权威性的文档将以更显著的方式出现。
例子
图6是根据符合本发明原理的实施例，在识别文档权威性时需要考虑的信号的示范性示意图。如图6中所示，对于与定位在123MainStreet，Oakmont，Pennsylvania 15302的Big Nick’s Pizza Joint相关的位置，可确定文档610是权威性的。如上所述，可以使用信号的组合来识别文档610作为该位置的权威性文档。
权威性文档610是相应于从提及所述位置或所述企业名称的全部或部分的若干文档的外部链接所指向的目标文档。权威性文档610也是相应于其目标文本与企业的完整或者部分名称(Big Nick’s PizzaJoint、Big Nick’s Pizza、Big Nick’s、Big Nick’s Pizza Restaurant、BigNicks Pizza、以及Big Nick Pizza Joint)匹配的外部链接所指向的目标文档。权威性文档610也可以包括与企业的完整或者部分名称(例如，Big Nick’s Pizza Joint)匹配的标题。权威性文档610包括与企业的完整或者部分名称匹配的域名(例如，www.bignicks.com)。权威性文档610还与单个位置相关(例如，123Main St.，Oakmont，PA)。
当各种信号被加权和组合时，文档610可以接收对于与在123Main Street，Oakmont，Pennsylvania 15302的企业Big Nick’s Pizza Joint相关的位置的高权威性得分。
结论
符合本发明的原理的系统和方法可以确定与位置相关的文档的权威性。如这里使用的，“位置(location)”是指地址和/或位于所述地址的企业。
前述的本发明的优选实施例的描述提供了说明和描述，但并不是穷举或限制本发明到所公开的精确方式。根据上述教导的启示，各种修改或者变化是可能的，或者可以从本发明的实践中得出修改和变化。
例如，虽然结合图4描述了一系列操作，在符合本发明的原理的实施例中可以修改所述操作的顺序。此外，也可以并行执行不相关的操作。
如上所述，对于本领域普通技术人员来说本发明的各方面可以按图中图示实施例中的许多不同的软件、固件以及硬件的形式来实现是显而易见的。用于实现符合本发明的原理各方面的实际软件代码或者专用控制硬件并不限制本发明。因此，不考虑特定软件代码描述了所述方面的操作和行为，可以理解的是，根据这里的描述本领域普通技术人员能够设计软件和控制硬件以实现所述的方面。
本申请中使用的元件、动作或指令不应该被理解为是对本发明关键性的或者必需的，除非明确地指出。同时，如这里所使用的，不加数量限制的项旨在包括一个或者多个项。在仅仅旨在指一项的地方，使用术语“一个”或者类似的表示。此外，术语“根据”旨在意味着“根据，至少部分地根据”，除非明确表示其他意思。

Claims (29)

1.一种方法，包括：
识别与某个位置相关的一组文档作为候选文档；
确定与所述各候选文档相关的信号；
根据所述信号确定所述各候选文档对于所述位置的权威性；以及
根据所述各候选文档对于所述位置的权威性来处理所述候选文档。
2.根据权利要求1的方法，其中识别一组文档包括：
分析文档语料库中的文档以识别包含与所述位置相关的信息的文本片断。
识别包含所述文本片断的文档作为候选文档。
3.根据权利要求2的方法，其中与所述位置相关的信息包括所述位置的完整或部分地址，与所述位置相关的完整或部分电话号码，或与所述位置相关的企业的完整或部分名称中的至少一个。
4.根据权利要求2的方法，其中识别一组文档进一步包括：
确定由所述候选文档链接到的文档，以及
识别所确定的文档作为候选文档。
5.根据权利要求4的方法，其中识别一组文档进一步包括：
通过去除所述候选文档的部分地址来确定另外文档，以及
识别所述另外文档作为候选文档。
6.根据权利要求1的方法，其中确定与所述候选文档相关的信号包括：
从指向其他一些候选文档的一些候选文档中确定若干外部链接；以及
其中确定所述各候选文档的权威性包括：
对一个候选文档，根据从其他一些候选文档指向该候选文档的外部链接的数目来产生权威性得分。
7.根据权利要求1的方法，其中确定与候选文档相关的信号包括：
识别与指向所述候选文档的链接相关的锚定文本；以及
其中确定所述各候选文档的权威性包括：
对一个候选文档，根据该候选文档是否由那些其锚定文本同与所述位置相关的企业的整个或部分名称相匹配的一个或多个链接所指向来产生权威性得分。
8.根据权利要求1的方法，其中确定与候选文档相关的信号包括：
识别一些所述候选文档的标题；以及
其中确定所述各候选文档的权威性包括：
对一个候选文档，根据与该候选文档相关的标题是否同与所述位置相关的企业的完整或者部分名称相匹配而产生权威性得分。
9.根据权利要求1的方法，其中确定与候选文档相关的信号包括：
识别与一些所述候选文档相关的域名；以及
其中确定所述各候选文档的权威性包括：
对一个候选文档，根据与该候选文档相关的域名是否同与所述位置相关的企业的完整或者部分名称相匹配而产生权威性得分。
10.根据权利要求1的方法，其中确定与候选文档相关的信号包括：
确定一些所述候选文档所关联的位置；以及
其中确定所述各候选文档的权威性还包括：
根据一个候选文档是否与单个位置相关而增加该候选文档的权威性。
11.根据权利要求1的方法，其中所述信号与下述至少一个相关联：
从一些候选文档指向另一个候选文档的外部链接的数目，
与指向一些所述候选文档的链接相关联的、同与所述位置相关的企业的完整或者部分名称相匹配的锚定文本，
与所述企业的完整或者部分名称匹配的一些候选文档的标题，以及
与和所述企业的完整或者部分名称匹配的一些候选文档相关的域名。
12.根据权利要求1的方法，其中所述的信号与和所述候选文档相关的多种不同类型的数据相关联；以及
其中所述方法进一步包括：
加权所述不同类型的数据；
对一些所述候选文档组合已加权的数据；以及
根据所述组合的加权数据为所述一些候选文档赋予权威性得分。
13.根据权利要求12的方法，其中处理候选文档包括：
根据一个候选文档的权威性得分而对其做排名。
14.一种系统，包括：
用于识别与某个企业相关联的一组文档作为候选文档的装置；
用于确定与每一个所述候选文档相关联的多个信号的装置；
根据所述信号确定所述候选文档对于所述企业的权威性的装置。
15.一种系统，包括：
存储指令的存储器；以及
执行存储器中指令的处理器，用于：
确定与某个位置相关的文档，
识别与每一个所述文档相关的多个信号；
根据所述信号对所述文档赋予权威性得分，以及
根据所述的权威性得分处理所述文档。
16.根据权利要求15的系统，其中当确定文档时，所述处理器被配置成分析文档语料库中的文档，以检测那些包含带有与所述位置相关的信息的文本片断的文档。
17.根据权利要求16的系统，其中与所述位置相关的信息包括下述至少一个：所述位置的完整或部分地址，与所述位置相关的完整或部分电话号码，或与所述位置相关的企业的完整或部分名称。
18.根据权利要求16的系统，其中当确定文档时，所述处理器进一步被配置成识别由所述文档链接到的文档。
19.根据权利要求18的系统，其中当确定文档时，所述处理器进一步被配置成通过去除所述文档的部分地址而识别另外文档。
20.根据权利要求15的系统，其中当识别多个信号时，所述处理器被配置成确定从一些文档指向另一个文档的若干外部链接；以及
当对所述各文档赋予权威性得分时，所述处理器被配置成根据从其他文档指向一个文档的外部链接的数目产生该文档的权威性得分。
21.根据权利要求15的系统，其中当识别多个信号时，所述处理器被配置成识别与指向一些文档的链接相关的锚定文本；以及
当对所述各文档赋予权威性得分时，所述处理器被配置成根据指向一个文档的、其锚定文本同与所述位置相关的企业的整个或部分名称相匹配的一个或多个链接来产生该文档的权威性得分。
22.根据权利要求15的系统，其中当识别多个信号时，所述处理器被配置成识别一些所述文档的标题；以及
当对所述各文档赋予权威性得分时，所述处理器被配置成根据一个文档是否包含同与所述位置相关的企业的完整或者部分名称相匹配的标题而产生该文档的权威性得分。
23.根据权利要求15的系统，其中当识别多个信号时，所述处理器被配置成识别与一些所述文档相关的域名；以及
当对所述各文档赋予权威性得分时，所述处理器被配置成根据一个文档是否关联与相关于所述位置的企业的完整或者部分名称相匹配的域名而产生该文档的权威性得分。
24.根据权利要求15的系统，其中当识别多个信号时，所述处理器被配置成确定一些所述文档所关联的位置；以及
当对所述各文档赋予权威性得分时，所述处理器被配置成当一个文档与单个位置关联时增加所赋予该文档的权威性得分。
25.根据权利要求15的系统，其中所述的信号与下述至少一种相关联：
从一些文档指向另一个文档的外部链接的数目，
与指向一些所述文档的链接相关联的、同与所述位置相关的企业的完整或者部分名称相匹配的锚定文本，
与所述企业的完整或者部分名称匹配的一些所述文档的标题，以及
与和所述企业的完整或者部分名称匹配的一些所述文档相关的域名。
26.根据权利要求15的系统，其中所述的信号同与所述文档相关的多种不同类型的数据相关联；以及
其中当对所述各文档赋予权威性得分时，所述处理器被配置成：
加权所述不同类型的数据；
对一些文档组合已加权的数据；以及
根据所述组合的加权数据为所述一些文档产生权威性得分。
27.根据权利要求15的系统，其中当处理所述文档时，所述处理器被配置成根据一个文档的权威性得对其排名。
28.一种存储计算机可执行指令的计算机可读介质，包括：
用于识别与某个位置相关的文档的指令；
用于确定与所述文档相关的多个信号的指令；以及
用于根据所述信号确定所述文档对于该位置的权威性的指令。
29.一种方法，包括：
识别与某个位置相关的一组文档作为候选文档；
对每个候选文档，根据从一个或多个候选文档指向该候选文档的外部链接的数目来确定第一信号；
对每个候选文档，根据是否存在与指向该候选文档的链接相关联的、同与所述位置相关的企业的完整或者部分名称相匹配的锚定文本来确定第二信号；
对每个候选文档，根据该候选文档的标题是否与所述企业的完整或者部分名称相匹配来确定第三信号；
对每个候选文档，根据与该候选文档相关的域名是否与企业的完整或者部分名称相匹配来确定第四信号；
对每个候选文档，根据该候选文档是否与单个位置相关联来确定第五信号；
加权所述的第一、第二、第三、第四和第五信号；
组合所述的已加权的第一、第二、第三、第四和第五信号以识别每一个候选文档的得分；以及
根据所述得分处理所述候选文档。
CNA2005800486432A 2004-12-30 2005-12-30 权威性文档识别 Pending CN101128822A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/024,967 2004-12-30
US11/024,967 US20060149800A1 (en) 2004-12-30 2004-12-30 Authoritative document identification

Publications (1)

Publication Number Publication Date
CN101128822A true CN101128822A (zh) 2008-02-20

Family

ID=36101575

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2005800486432A Pending CN101128822A (zh) 2004-12-30 2005-12-30 权威性文档识别

Country Status (7)

Country Link
US (2) US20060149800A1 (zh)
EP (1) EP1859367A1 (zh)
JP (1) JP4708436B2 (zh)
KR (1) KR100974906B1 (zh)
CN (1) CN101128822A (zh)
CA (1) CA2593424A1 (zh)
WO (1) WO2006074056A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539926B (zh) * 2008-03-21 2012-09-05 富士施乐株式会社 相关文档呈现系统和相关文档呈现方法

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7769579B2 (en) 2005-05-31 2010-08-03 Google Inc. Learning facts from semi-structured text
US9208229B2 (en) * 2005-03-31 2015-12-08 Google Inc. Anchor text summarization for corroboration
US7962462B1 (en) * 2005-05-31 2011-06-14 Google Inc. Deriving and using document and site quality signals from search query streams
US7933890B2 (en) * 2006-03-31 2011-04-26 Google Inc. Propagating useful information among related web pages, such as web pages of a website
US20080065694A1 (en) * 2006-09-08 2008-03-13 Google Inc. Local Search Using Address Completion
US8122026B1 (en) 2006-10-20 2012-02-21 Google Inc. Finding and disambiguating references to entities on web pages
US20140188919A1 (en) * 2007-01-26 2014-07-03 Google Inc. Duplicate document detection
US8347202B1 (en) 2007-03-14 2013-01-01 Google Inc. Determining geographic locations for place names in a fact repository
US8312010B1 (en) * 2007-08-16 2012-11-13 Google Inc. Local business ranking using mapping information
US20090164449A1 (en) * 2007-12-20 2009-06-25 Yahoo! Inc. Search techniques for chat content
US20100198503A1 (en) * 2009-01-30 2010-08-05 Navteq North America, Llc Method and System for Assessing Quality of Location Content
US8775074B2 (en) * 2009-01-30 2014-07-08 Navteq B.V. Method and system for refreshing location code data
US8554871B2 (en) * 2009-01-30 2013-10-08 Navteq B.V. Method and system for exchanging location content data in different data formats
US8271195B2 (en) 2009-01-30 2012-09-18 Navteq B.V. Method for representing linear features in a location content management system
US8898173B1 (en) 2010-05-14 2014-11-25 Google Inc. Ranking location search results based on multiple distance measures
US20150169626A1 (en) * 2012-01-09 2015-06-18 Google Inc. System and method for identifying a new geographical area name
US10789417B1 (en) * 2012-05-24 2020-09-29 The Boeing Company Method and apparatus for identifying relationships between documents
US9418156B2 (en) * 2012-08-10 2016-08-16 Google Inc. Providing local data with search results
JP5544401B2 (ja) * 2012-08-15 2014-07-09 株式会社ゼンリンデータコム 文書データ評価方法、文書データ評価装置、文書データ選択方法、文書データ選択装置、データベース生成方法、データベース生成装置、およびコンピュータプログラム
US9009197B2 (en) 2012-11-05 2015-04-14 Unified Compliance Framework (Network Frontiers) Methods and systems for a compliance framework database schema
US9659064B1 (en) 2013-03-15 2017-05-23 Google Inc. Obtaining authoritative search results
US9058374B2 (en) * 2013-09-26 2015-06-16 International Business Machines Corporation Concept driven automatic section identification
WO2016171927A1 (en) 2015-04-20 2016-10-27 Unified Compliance Framework (Network Frontiers) Structured dictionary
US10614075B2 (en) * 2015-12-28 2020-04-07 Verizon Patent and Licencing Inc. Systems and methods for scoring and using popularity of entities in a media-content-based social network to provide a media service
US10679088B1 (en) * 2017-02-10 2020-06-09 Proofpoint, Inc. Visual domain detection systems and methods
US10769379B1 (en) 2019-07-01 2020-09-08 Unified Compliance Framework (Network Frontiers) Automatic compliance tools
US11120227B1 (en) 2019-07-01 2021-09-14 Unified Compliance Framework (Network Frontiers) Automatic compliance tools
US10824817B1 (en) 2019-07-01 2020-11-03 Unified Compliance Framework (Network Frontiers) Automatic compliance tools for substituting authority document synonyms
US11386270B2 (en) 2020-08-27 2022-07-12 Unified Compliance Framework (Network Frontiers) Automatically identifying multi-word expressions
WO2022060809A1 (en) * 2020-09-17 2022-03-24 Mastercard International Incorporated Continuous learning for seller disambiguation, assessment, and onboarding to electronic marketplaces
US20230031040A1 (en) 2021-07-20 2023-02-02 Unified Compliance Framework (Network Frontiers) Retrieval interface for content, such as compliance-related content

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5875446A (en) * 1997-02-24 1999-02-23 International Business Machines Corporation System and method for hierarchically grouping and ranking a set of objects in a query context based on one or more relationships
US6701307B2 (en) * 1998-10-28 2004-03-02 Microsoft Corporation Method and apparatus of expanding web searching capabilities
JP2000250931A (ja) * 1999-03-01 2000-09-14 Nippon Telegr & Teleph Corp <Ntt> 位置情報の自動抽出装置および自動抽出方法と記録媒体
US6393415B1 (en) * 1999-03-31 2002-05-21 Verizon Laboratories Inc. Adaptive partitioning techniques in performing query requests and request routing
US6493702B1 (en) * 1999-05-05 2002-12-10 Xerox Corporation System and method for searching and recommending documents in a collection using share bookmarks
JP2000348041A (ja) * 1999-06-03 2000-12-15 Nec Corp 文書検索方法及びその装置並びにプログラムを記録した機械読み取り可能な記録媒体
JP2003524259A (ja) * 2000-02-22 2003-08-12 メタカルタ インコーポレイテッド 情報の空間符号化及び表示
WO2001065410A2 (en) * 2000-02-28 2001-09-07 Geocontent, Inc. Search engine for spatial data indexing
AU2001253161A1 (en) * 2000-04-04 2001-10-15 Stick Networks, Inc. Method and apparatus for scheduling presentation of digital content on a personal communication device
US7487112B2 (en) * 2000-06-29 2009-02-03 Barnes Jr Melvin L System, method, and computer program product for providing location based services and mobile e-commerce
US7233942B2 (en) * 2000-10-10 2007-06-19 Truelocal Inc. Method and apparatus for providing geographically authenticated electronic documents
US7356530B2 (en) * 2001-01-10 2008-04-08 Looksmart, Ltd. Systems and methods of retrieving relevant information
US20020133374A1 (en) * 2001-03-13 2002-09-19 Agoni Anthony Angelo System and method for facilitating services
US20040030741A1 (en) * 2001-04-02 2004-02-12 Wolton Richard Ernest Method and apparatus for search, visual navigation, analysis and retrieval of information from networks with remote notification and content delivery
JP3895955B2 (ja) * 2001-08-24 2007-03-22 株式会社東芝 情報検索方法および情報検索システム
JP3803961B2 (ja) * 2001-12-05 2006-08-02 日本電信電話株式会社 データベース生成装置、データベース生成処理方法及びデータベース生成プログラム
JP4088164B2 (ja) * 2003-01-21 2008-05-21 日本電信電話株式会社 ドキュメントスコア計算方法及び装置並びにプログラム
US8037078B2 (en) * 2003-03-18 2011-10-11 Nokia Corporation Corpus clustering, confidence refinement, and ranking for geographic text search and information retrieval
US7848945B2 (en) * 2003-07-03 2010-12-07 Travelweb Llc System and method for indexing travel accommodations in a network environment
US20050216362A1 (en) * 2003-12-09 2005-09-29 Rajesh Navar Method of and system for providing an online marketplace having global reach and local focus
US20050203924A1 (en) * 2004-03-13 2005-09-15 Rosenberg Gerald B. System and methods for analytic research and literate reporting of authoritative document collections
US7257577B2 (en) * 2004-05-07 2007-08-14 International Business Machines Corporation System, method and service for ranking search results using a modular scoring system
US7231405B2 (en) * 2004-05-08 2007-06-12 Doug Norman, Interchange Corp. Method and apparatus of indexing web pages of a web site for geographical searchine based on user location
US7464076B2 (en) * 2004-05-15 2008-12-09 International Business Machines Corporation System and method and computer program product for ranking logical directories
US7991755B2 (en) * 2004-12-17 2011-08-02 International Business Machines Corporation Dynamically ranking nodes and labels in a hyperlinked database

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539926B (zh) * 2008-03-21 2012-09-05 富士施乐株式会社 相关文档呈现系统和相关文档呈现方法

Also Published As

Publication number Publication date
KR20070094941A (ko) 2007-09-27
JP4708436B2 (ja) 2011-06-22
US8650197B2 (en) 2014-02-11
EP1859367A1 (en) 2007-11-28
KR100974906B1 (ko) 2010-08-09
JP2008527505A (ja) 2008-07-24
WO2006074056A1 (en) 2006-07-13
US20060149800A1 (en) 2006-07-06
US20120173544A1 (en) 2012-07-05
CA2593424A1 (en) 2006-07-13

Similar Documents

Publication Publication Date Title
CN101128822A (zh) 权威性文档识别
CN100478949C (zh) 具有实体检测的查询改写
CN101128824B (zh) 位置提取
KR101219366B1 (ko) 명백한 지리적 언급의 분류
CN101019119B (zh) 基于名称的url输入
US8433704B2 (en) Local item extraction
US20090043767A1 (en) Approach For Application-Specific Duplicate Detection
US9135396B1 (en) Method and system for determining sets of variant items
CN103605694A (zh) 一种相似文本检测装置和方法
US20160203131A1 (en) Supplementing Search Results with Information of Interest
US7689536B1 (en) Methods and systems for detecting and extracting information
US20080033953A1 (en) Method to search transactional web pages
CN112214511A (zh) 一种基于wtp-wcd算法的api推荐方法
Kawashige et al. Context matcher: improved web search using query term context in source document and in search results
Yamamoto et al. An editable browser for reranking web search results
CN115994538A (zh) 一种实体抽取方法、装置、设备和介质
Zheng et al. Specialized search in linguistics and languages
Kumar et al. Enhancing the Search Results through Web Structure Mining Using Frequent Pattern Analysis and Linear Correlation Method

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20080220