(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211180208.7 (22)申请日 2022.09.27 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 费高雷　高隽逸　胡光岷　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G06F 16/35(2019.01) G06F 40/295(2020.01) G06F 40/30(2020.01) G06F 40/211(2020.01) (54)发明名称 一种基于网页正文的人物属性 提取方法 (57)摘要 本发明公开了一种基于网页正文的人物属 性提取方法， 包括以下步骤： S1、 获取目标人物的 相关网页， 从 网页中提取出包含 人物属性信息的 正文文本， 并对正文文本进行文本分词； S2、 根据 人物属性， 选择包含分类信息的词元属性； S3、 构 建特征： 使用命名实体、 依存关系作为额外的词 元标注， 并构建基于静态词表的状态特征， 同时 使用依存句法树的上下文关系来构建转移特征； S4、 将状态特征和转移特征作为最大熵算法的约 束， 训练分类模型。 本发 明在复杂网络环境中， 获 取感兴趣的目标人物的网页的正文， 通过合理地 选取和构造特征， 使用最大熵 算法实现了在复杂 网络环境中提取 人物特征的方法。 权利要求书2页 说明书9页 附图1页 CN 115525760 A 2022.12.27 CN 115525760 A 1.一种基于网页正文的人物属性 提取方法， 其特 征在于， 包括以下步骤： S1、 获取目标人物的相关网页， 从网页中提取出包含人物属性信息的正文文本， 并对正 文文本进行文本分词； S2、 根据人物属性， 选择包 含分类信息的词元属性； S3、 构建特征： 使用命名实体、 依存关系作为额外的词元标注， 并构建基于静态词表的 状态特征， 同时使用依存句法树的上 下文关系来构建转移特 征； S4、 将状态特 征和转移特 征作为最大熵算法的约束， 训练分类模型。 2.根据权利要求1所述的一种基于网页正文的人物属性提取方法， 其特征在于， 所述步 骤S1中的相关网页包括在线百 科、 个人网站、 机构主页和社交平台个人 账号。 3.根据权利要求1所述的一种基于网页正文的人物属性提取方法， 其特征在于， 所述步 骤S1中， 将单词作为分词的粒度。 4.根据权利要求1所述的一种基于网页正文的人物属性提取方法， 其特征在于， 所述步 骤S2中， 分词处理后的正文文本是一个词元序列， 分词的最小语义单元即为序列的词元； 在 人物属性提取任务中， 人物属 性信息就包含在词 元本身的属 性以及词元上下文的关系中； 使用的词元属性包括以下几种： 1)“text”属性的属性值为词元的原始文本； 保留词元的原始文本作为词元属性； 在后 续特征构建中， 对照静态词表， 匹配人物属性中 高频出现的单词； 2)“lemma”属性是词元的原型， 使用 “lemma”属性作为词元属性来消除歧义， 作为 “text”属性的辅助属性进行 标注； 3)“shape”属性代表词元的大小 写格式； 4)“pos”属性表示词元的词类； 5)“index”是指词元在文本序列中的索引值； 6)“prefix”和“suffix”分别代表词元的前缀和后缀。 5.根据权利要求1所述的一种基于网页正文的人物属性提取方法， 其特征在于， 所述步 骤S3中的状态特 征包括： 1)“word_list”特征为当前词元的 “text”和“lemma”属性是否包 含于静态词表的判断； 2)“prefix_list ”、“suffix_list ”分别为前缀、 后缀的静态词表， 使用静态前、 后缀表 作为特征函数来进行 前后缀的选择； 3)“ent”表示词元的命名实体 类别， 使用命名实体属性 来作为特 征函数； 转移特征包括： 4)“dep”表示词元的依存关系， 该属性反映的是词元在句法和语义上的依存特征； 依存 句法关系用一棵依存关系树 来表示， 使用条件依存关系来作为特 征函数。 6.根据权利要求1所述的一种基于网页正文的人物属性提取方法， 其特征在于， 所述步 骤S4中， 最大熵算法构建的分类模型是一个条件概率分布P(Y|X)， 其中， X为样本， Y为人物 属性类别； 将构建的特征函数f(x， y)作为分布P(Y|X)的约束条件， 以寻找满足这些约束条 件的分布中， 熵 最大的分布P(Y|X)； 其中， 特征函数f(x， y)用来描述词元x和类别标注y的关 系， 定义为：权　利　要　求　书 1/2 页 2 CN 115525760 A 2特征函数反应的是词元在词元本身和上 下文中满足的关系； 为了寻找不同的特征函数对于分类的增益程度， 考虑特征函数在 真实分布和经验分布 上的一致性； 对于第i个特 征函数fi， 其关于真实期望的期望值用 表示为： 表示(x， y)的真实分布； 第i个特征函数fi关于条件分布和经验分布的模糊期望值EP(fi)有如下表示： 指的是x的真实分布； P(y|x)指的是模型在得到x的输入的情况 下， 输出y的分布； 在人物属性提取的场景下， 特征函数的真实期望 和模型期望EP(fi)分别代表该特 征函数在真实分布和经验分布上 的期望值， 假设这两个期望相等； 则人物属 性提取模型必 须满足所有特 征等式的约束 为了最小化模型P(Y|X)的熵， 首先要计算出满足等式约束 的条件熵， 其 定义如下： 该函数的约束条件为： M表示特征函数的个数； H(P)代表着满足所有特征函数的人物属性提取模型的熵的负 值； H(P)为凸函数， 根据凸优化的理论， 使用拉格朗日函数将其转化为无约束优化函数求解 H(P)， 得到拉格朗日函数中每个约束条件对应的拉格朗日乘子λi； 从语义的角度来看， λi反 映的是构造的不同的特征函数fi(x， y)对于分类的增益程度， 特征函数对于分类的增益越 高， 其 λi值就越大； 至此， 得到分布P(y|x)关于一组权值 λ 的如下表示形式： 其中， Zλ(x)为规范化因子， 它确保整个模型 是一个合法的概 率分布， 其定义 为： 使用IIS算法来完成模型学习的最优化； 通过最小化模型H(P)， 得到模型的分布函数Pλ (y|x)， 即完成模型在人物属性 提取场景 下的构建。权　利　要　求　书 2/2 页 3 CN 115525760 A 3