CN110807140A - 有效数据提取方法以及装置 - Google Patents

Abstract

本公开是关于一种有效数据提取方法、装置、电子设备以及存储介质。其中，该方法包括：确定待处理语句中包含有效数据的第一词性特征组集合，以及确定包含模糊数据的第二词性特征组；判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配；若匹配，获取与第一词性特征组匹配的第二词性特征组的统计信息，并根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件；若满足，确定所述第二词性特征组中的模糊数据为有效数据。本公开通过基于有效词的模糊数据判定实现了有效数据的自动识别，提升了识别效率，降低了人工成本。

Description

有效数据提取方法以及装置

技术领域

本公开涉及数据处理领域，具体而言，涉及一种有效数据提取方法、装置、电子设备以及计算机可读存储介质。

背景技术

随着互联网媒体的迅猛发展，随之产生与各企业相关的大量新闻舆情，这也使得用户在需要针对性了解某家企业或某个项目品牌的相关新闻时产生困难。为向用户提供其所关注企业的新闻舆情，通常采用人为的方式进行项目品牌的有效数据提取入库，再根据数据库中的有效数据从新闻舆情文章中提取出所涉及的公司名及项目品牌名称等，此种方式导致人力消耗较大，且不具有可复现性。

因此，需要一种或多种方法解决上述问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种有效数据提取方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的一个方面，提供一种有效数据提取方法，包括：

确定待处理语句中包含有效数据的第一词性特征组集合，以及确定包含模糊数据的第二词性特征组；

判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配；

若匹配，获取与第一词性特征组匹配的第二词性特征组的统计信息，并根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件；

若满足，确定所述第二词性特征组中的模糊数据为有效数据。

在本公开的一种示例性实施例中，确定待处理语句中包含有效数据的第一词性特征组集合，包括：

提取文章数据中包含预设有效数据的待处理语句；

对待处理语句中的分词进行词性分析，生成有效词词性串，

计算所述有效词词性串的出现频次是否大于或等于预设有效频次阈值，若是，将所述有效词词性串作为第一词性特征组，其中，所述第一词性特征组集合包括多个所述第一词性特征组。

在本公开的一种示例性实施例中，确定包含模糊数据的第二词性特征组；包括：

提取文章数据中包含预设模糊数据的待处理语句；

对待处理语句中的分词进行词性分析，生成模糊词词性串，将所述模糊词词性串作为所述第二词性特征组。

在本公开的一种示例性实施例中，判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配，包括：

遍历所述第一词性特征组集合中的第一词性特征组；

若存在与所述第二词性特征组相同的第一词性特征组，确定第二词性特征组与第一词性特征组匹配，并根据匹配结果设置对应的计数信息。

在本公开的一种示例性实施例中，所述统计信息包括所述计数信息，所述预设的有效词词性特征条件包括预设频次占比阈值；

根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件，包括：

根据所述计数信息计算所述第二词性特征组的有效词频次占比；

判断所述有效词频次占比是否大于或等于预设频次占比阈值；

若是，确定所述第二词性特征组中满足预设的有效词词性特征条件。

在本公开的一种示例性实施例中，所述统计信息包括所述计数信息；根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件，包括：

根据所述计数信息统计所述第二词性特征组的有效词频次；

当所述第二词性特征组为多个时，以各个第二词性特征组的有效词频次为基准进行降序排序，并确定排序在前的预设数量的第二词性特征组满足预设的有效词词性特征条件。

在本公开的一种示例性实施例中，当判断所述有效词频次占比大于或等于预设频次占比阈值时，所述方法还包括：

若所述第二词性特征组为多个，以有效词频次为基准对有效词频次占比大于或等于预设频次占比阈值的多个第二词性特征组进行降序排序，并确定排序在前的预设数量的第二词性特征组满足预设的有效词词性特征条件。

在本公开的一种示例性实施例中，所述方法还包括：

预设包括有效数据的有效词数据库以及包括模糊数据的模糊词数据库；

在确定所述第二词性特征组中的模糊数据为有效数据后，更新所述有效词数据库。

在本公开的一个方面，提供一种有效数据提取装置，包括：

第一确定模块，用于确定待处理语句中包含有效数据的第一词性特征组集合，以及确定包含模糊数据的第二词性特征组；

第一判断模块，用于判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配；

第二判断模块，用于在第二词性特征组与第一词性特征组匹配时，获取与第一词性特征组匹配的第二词性特征组的统计信息，并根据统计信息判断所述第二词性特征组是否满足预设的有效词词性特征条件；

第二确定模块，用于在第二词性特征组满足预设的有效词词性特征条件时，确定所述第二词性特征组中的模糊数据为有效数据。

在本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。

在本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。

本公开的示例性实施例中的有效数据提取方法，确定待处理语句中包含有效数据的第一词性特征组集合，以及确定包含模糊数据的第二词性特征组；判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配；若匹配，获取与第一词性特征组匹配的第二词性特征组的统计信息，并根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件；若满足，确定所述第二词性特征组中的模糊数据为有效数据。一方面，本公开通过基于有效词的模糊数据判定实现了有效数据的自动识别，提升了识别效率；另一方面，本公开具有可复现性且无需人工参与，可大幅节省人工成本。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

通过参照附图来详细描述其示例实施例，本公开的上述和其它特征及优点将变得更加明显。

图1示出了根据本公开一示例性实施例的有效数据提取方法的流程图；

图2示出了根据本公开一示例性实施例的有效数据提取装置的示意框图；

图3示意性示出了根据本公开一示例性实施例的电子设备的框图；以及

图4示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在本示例实施例中，首先提供了一种有效数据提取方法；参考图1中所示，该有效数据提取方法可以包括以下步骤：

步骤S110，确定待处理语句中包含有效数据的第一词性特征组集合，以及确定包含模糊数据的第二词性特征组；

步骤S120，判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配；

步骤S130，若第二词性特征组与第一词性特征组集合中的第一词性特征组匹配，获取与第一词性特征组匹配的第二词性特征组的统计信息，并根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件；

步骤S140，若第二词性特征组满足预设的有效词词性特征条件，确定所述第二词性特征组中的模糊数据为有效数据。

本公开的示例性实施例中的有效数据提取方法，确定待处理语句中包含有效数据的第一词性特征组集合，以及确定包含模糊数据的第二词性特征组；判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配；若匹配，获取与第一词性特征组匹配的第二词性特征组的统计信息，并根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件；若满足，确定所述第二词性特征组中的模糊数据为有效数据。一方面，本公开通过基于有效词的模糊数据判定实现了有效数据的自动识别，提升了识别效率；另一方面，本公开具有可复现性且无需人工参与，可大幅节省人工成本。

下面，将对本示例实施例中的有效数据提取方法进行进一步的说明。

在步骤S110中，可以确定待处理语句中包含有效数据的第一词性特征组集合，以及确定包含模糊数据的第二词性特征组。

在本示例的实施例中，在预设的项目品牌全库N中，包含有效词库N1和模糊词库N2，其中有效词库N1是通过人工、用户反馈或其它预设算法确认品牌的集合，而模糊词库N2是通过智能抓取或其它途径生成的待确认品牌的集合，为了将模糊词库N2中的待确认品牌确认判定是否为有效品牌，需要先将有效词库N1和模糊词库N2生成字典树T1、T2，字典树，又称单词查找树，是一种哈希树的变种。字典树的根节点不包含字符，除根节点外每一个节点都只包含一个字符；从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串；每个节点的所有子节点包含的字符都不相同。字典树典型的应用是用于统计，排序和保存大量的字符串(但不仅限于字符串)，所以经常被搜索引擎系统用于文本词频统计，以利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，查询效率比哈希树高。

在本示例的实施例中，确定待处理语句中包含有效数据的第一词性特征组集合，包括：

提取文章数据中包含预设有效数据的待处理语句；

对待处理语句中的分词进行词性分析，生成有效词词性串；

计算所述有效词词性串的出现频次是否大于或等于预设有效频次阈值，若是，将所述有效词词性串作为第一词性特征组，其中，所述第一词性特征组集合包括多个所述第一词性特征组。

在本示例的实施例中，在预设的文章数据中对预设有效数据进行全局搜索，找到所有包含所述有效数据的语句作为待处理语句，并对所述待处理语句中的分词及通过jieba分词工具进行词性分析，生成有效词词性串。举例说明，“天眼查”品牌为有效词库N1中确定的品牌，那么可以假设单一有效数据为“天眼查”，在预设的文章数据库中搜索全部包含“天眼查”的语句作为待处理语句，搜索到的语句有很多，如：“天眼查也成为剧中的秘密武器”、“天眼查支持数据导出”等等，将这些语句都作为待处理语句，分词并分析分词词性，得到有效词词性串：“n./adv./v./adj./n.”、“n./v./adj./adv./v.”等等。

因为在所述文章数据库中会搜索到数量庞大的待处理语句，且都能生成对应有效词词性串，所以需要对有效词词性串的出现频次进行统计，并设定阈值，采用有效词词性串出现频次大于阈值的有效词词性串作为第一词性特征组，如上述例子中，预设阈值为10，而“n./adv./v./adj./n.”、“n./v./adj./adv./v.”两个字符串的出现频率都高于10，都可以被采用作为第一词性特征组。

在本示例的实施例中，确定包含模糊数据的第二词性特征组；包括：

提取文章数据中包含预设模糊数据的待处理语句；

对待处理语句中的分词进行词性分析，生成模糊词词性串，将所述模糊词词性串作为所述第二词性特征组。

在本示例的实施例中，在模糊词库N2中选取待确认品牌，并在预设的文章数据库中全局搜索所述待确认品牌，同样对搜索到的所有包含所述模糊数据的语句作为待处理语句，并对所述待处理语句中的分词及通过jieba分词工具进行词性分析，生成模糊词词性串。举例说明，假设“智慧芽”为模糊词库N2中待确认的品牌，则将“智慧芽”作为模糊数据，在预设的文章数据库中全局搜索包含模糊数据“智慧芽”的语句作为待处理语句，并将所有的搜索到的待处理语句均做分词及通过jieba分词工具进行词性分析处理，得到多个模糊词词性串，并将这些“智慧芽”的所有模糊词词性串作为第二词性特征组。

在步骤S120中，可以判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配。

在本示例的实施例中，在经过阈值筛选后的有效词词性串的第一词性特征组中的各有效词词性串作为对比标的，将包含模糊词词性串的第二词性特征组中的各模糊词词性串依次与第一词性特征组中的各有效词词性串匹配。

在本示例的实施例中，判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配，包括：

遍历所述第一词性特征组集合中的第一词性特征组；

若存在与所述第二词性特征组相同的第一词性特征组，确定第二词性特征组与第一词性特征组匹配，并根据匹配结果设置对应的计数信息。

在本示例的实施例中，在将包含模糊词词性串的第二词性特征组中的各模糊词词性串依次与第一词性特征组中的各有效词词性串匹配时，同时需根据匹配结果进行计数，统计第二词性特征组中的各模糊词词性串的匹配个数，当模糊词词性串与第一词性特征组中的有效词词性串匹配时，所述模糊词词性串的有效频数EV计数加一，否则所述模糊词词性串的无效频数UV计数加一。

在步骤S130中，若第二词性特征组与第一词性特征组集合中的第一词性特征组匹配，获取与第一词性特征组匹配的第二词性特征组的统计信息，并根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件。

在本示例的实施例中，根据所述有效频数EV及无效频数UV，计算有效频数占比EVP＝EV/(EV+UV)，并根据有效频数占比EVP确定所述第二词性特征组是否满足预设的有效词词性特征条件。

在本示例的实施例中，所述统计信息包括所述计数信息，所述预设的有效词词性特征条件包括预设频次占比阈值；

根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件，包括：

根据所述计数信息计算所述第二词性特征组的有效词频次占比；

判断所述有效词频次占比是否大于或等于预设频次占比阈值；

若是，确定所述第二词性特征组中满足预设的有效词词性特征条件。

在本示例的实施例中，以上述示例为例，将“智慧芽”作为模糊数据，在预设的文章数据库中全局搜索包含模糊数据“智慧芽”的语句作为待处理语句，包含如下语句“智慧芽不断整合全球丰富的数字资源”、“智慧芽坚持提供专利分析的情报服务”、“智慧芽致力于打造良好的信息服务平台”，这几句的模糊词词性串均为“n./adv./v./adj./n.”，“智慧芽涵盖各行业的研发”这句的模糊词词性串为“n./v./adj./adv./v.”，将所述模糊词词性串与第一词性特征组中的“n./adv./v./adj./n.”、“n./v./adj./adv./v.”的有效词词性串进行匹配并计数，假设模糊词词性串“n./adv./v./adj./n.”的有效频数EV＝20、无效频数UV＝15，则可以得到模糊词词性串“n./adv./v./adj./n.”的有效频数占比EVP＝EV/(EV+UV)＝57.14％；假设模糊词词性串“n./v./adj./adv./v.”的有效频数EV＝10、无效频数UV＝25，则可以得到模糊词词性串“n./adv./v./adj./n.”的有效频数占比EVP＝EV/(EV+UV)＝28.57％。

在本示例的实施例中，所述统计信息包括所述计数信息；根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件，包括：

根据所述计数信息统计所述第二词性特征组的有效词频次；

当所述第二词性特征组为多个时，以各个第二词性特征组的有效词频次为基准进行降序排序，并确定排序在前的预设数量的第二词性特征组满足预设的有效词词性特征条件。

在本示例的实施例中，如上述示例中，将模糊词词性串“n./adv./v./adj./n.”的有效频数占比EVP与模糊词词性串“n./adv./v./adj./n.”的有效频数占比EVP按照降序排序，确定排序在前的第一个的第二词性特征组满足预设的有效词词性特征条件的EVP＝57.14％作为所述模糊词词性串“n./adv./v./adj./n.”的参照标准。

在本示例的实施例中，当判断所述有效词频次占比大于或等于预设频次占比阈值时，所述方法还包括：

若所述第二词性特征组为多个，以有效词频次为基准对有效词频次占比大于或等于预设频次占比阈值的多个第二词性特征组进行降序排序，并确定排序在前的预设数量的第二词性特征组满足预设的有效词词性特征条件。

在本示例的实施例中，如上述示例中，所述模糊词词性串“n./adv./v./adj./n.”与“n./v./adj./adv./v.”均可以作为有效词词性特征，将所述符合特征的包含模糊词词性串的第二词性特征组按照有效词频次占比EVP降序排序，预设有效频数占比阈值EVK，并确定预设数量的第二词性特征组满足预设的有效词词性特征条件。

在步骤S140中，若第二词性特征组满足预设的有效词词性特征条件，确定所述第二词性特征组中的模糊数据为有效数据。

在本示例的实施例中，预设有效频数占比阈值EVK为30％，则模糊词词性串“n./adv./v./adj./n.”的有效频数占比EVP大于EVK，所以所述模糊词“智慧芽”可以确定为有效词。

在本示例的实施例中，所述方法还包括：

预设包括有效数据的有效词数据库以及包括模糊数据的模糊词数据库；

在确定所述第二词性特征组中的模糊数据为有效数据后，更新所述有效词数据库。

在本示例的实施例中，根据上述示例中的计算排序、对比匹配过程，将模糊数据“智慧芽”确定为有效词后，将“智慧芽”从模糊词库N2中删除，同时在有效词库N1中新建“智慧芽”有效词，完成于模糊词库的有效词提取。

需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

此外，在本示例实施例中，还提供了一种有效数据提取装置。参照图2所示，该有效数据提取装置200可以包括：第一确定模块210、第一判断模块220、第二判断模块230以及第二确定模块240。其中：

第一确定模块210，用于确定待处理语句中包含有效数据的第一词性特征组集合，以及确定包含模糊数据的第二词性特征组；

第一判断模块220，用于判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配；

第二判断模块230，用于在第二词性特征组与第一词性特征组匹配时，获取与第一词性特征组匹配的第二词性特征组的统计信息，并根据统计信息判断所述第二词性特征组是否满足预设的有效词词性特征条件；

第二确定模块240，用于在第二词性特征组满足预设的有效词词性特征条件时，确定所述第二词性特征组中的模糊数据为有效数据。

上述中各有效数据提取装置模块的具体细节已经在对应的有效数据提取方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了有效数据提取装置200的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图3来描述根据本发明的这种实施例的电子设备300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如，所述处理单元310可以执行如图1中所示的步骤S110至步骤S140。

存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。

存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备300也可以与一个或多个外部设备370(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器360通过总线330与电子设备300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

参考图4所示，描述了根据本发明的实施例的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (11)

1.一种有效数据提取方法，其特征在于，所述方法包括：

确定待处理语句中包含有效数据的第一词性特征组集合，以及确定包含模糊数据的第二词性特征组；

判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配；

若匹配，获取与第一词性特征组匹配的第二词性特征组的统计信息，并根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件；

若满足，确定所述第二词性特征组中的模糊数据为有效数据。

2.如权利要求1所述的方法，其特征在于，确定待处理语句中包含有效数据的第一词性特征组集合，包括：

提取文章数据中包含预设有效数据的待处理语句；

对待处理语句中的分词进行词性分析，生成有效词词性串，

计算所述有效词词性串的出现频次是否大于或等于预设有效频次阈值，若是，将所述有效词词性串作为第一词性特征组，其中，所述第一词性特征组集合包括多个所述第一词性特征组。

3.如权利要求2所述的方法，其特征在于，确定包含模糊数据的第二词性特征组；包括：

提取文章数据中包含预设模糊数据的待处理语句；

对待处理语句中的分词进行词性分析，生成模糊词词性串，将所述模糊词词性串作为所述第二词性特征组。

4.如权利要求1所述的方法，其特征在于，判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配，包括：

遍历所述第一词性特征组集合中的第一词性特征组；

若存在与所述第二词性特征组相同的第一词性特征组，确定第二词性特征组与第一词性特征组匹配，并根据匹配结果设置对应的计数信息。

5.如权利要求4所述的方法，其特征在于，所述统计信息包括所述计数信息，所述预设的有效词词性特征条件包括预设频次占比阈值；

根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件，包括：

根据所述计数信息计算所述第二词性特征组的有效词频次占比；

判断所述有效词频次占比是否大于或等于预设频次占比阈值；

若是，确定所述第二词性特征组中满足预设的有效词词性特征条件。

6.如权利要求4所述的方法，其特征在于，所述统计信息包括所述计数信息；根据统计信息确定所述第二词性特征组是否满足预设的有效词词性特征条件，包括：

根据所述计数信息统计所述第二词性特征组的有效词频次；

当所述第二词性特征组为多个时，以各个第二词性特征组的有效词频次为基准进行降序排序，并确定排序在前的预设数量的第二词性特征组满足预设的有效词词性特征条件。

7.如权利要求5所述的方法，其特征在于，当判断所述有效词频次占比大于或等于预设频次占比阈值时，所述方法还包括：

若所述第二词性特征组为多个，以有效词频次为基准对有效词频次占比大于或等于预设频次占比阈值的多个第二词性特征组进行降序排序，并确定排序在前的预设数量的第二词性特征组满足预设的有效词词性特征条件。

8.如权利要求1所述的方法，其特征在于，所述方法还包括：

预设包括有效数据的有效词数据库以及包括模糊数据的模糊词数据库；

在确定所述第二词性特征组中的模糊数据为有效数据后，更新所述有效词数据库。

9.一种有效数据提取装置，其特征在于，所述装置包括：

第一确定模块，用于确定待处理语句中包含有效数据的第一词性特征组集合，以及确定包含模糊数据的第二词性特征组；

第一判断模块，用于判断第二词性特征组是否与第一词性特征组集合中的第一词性特征组匹配；

第二判断模块，用于在第二词性特征组与第一词性特征组匹配时，获取与第一词性特征组匹配的第二词性特征组的统计信息，并根据统计信息判断所述第二词性特征组是否满足预设的有效词词性特征条件；

第二确定模块，用于在第二词性特征组满足预设的有效词词性特征条件时，确定所述第二词性特征组中的模糊数据为有效数据。

10.一种电子设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现上述权利要求1-8任一所述的方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现上述权利要求1-8任一所述的方法。

Images