● 摘要
越来越多的信息服务应用成为互联网用户日常生活的一部分，但信息量的激增却给用户在获取信息时带来了巨大的挑战。其中一个热门的研究方向是，如何将信息按照地域进行分类，并方便、准确地呈现在用户面前。本课题的研究目标是：提供一个互联网文本信息地域化的平台，对互联网上的文本信息自动化地进行地理信息的抽取，并打上一个或多个地域标签。然后按照地域标签，对互联网上海量的信息进行地域化的整合。为了完成从网页文本到地域标签的判定过程，需要依次进行如下处理流程：正文信息的去噪和去重、地域名词的识别、判定地域属性并打地域标签。依据任务，把系统划分为四个模块：地理信息库模块、正文抽取模块、地域名词识别模块、地域属性及地域标签判定模块。地理信息库向其他模块提供基础的信息查询服务，包含官方行政区划、非官方地名、逻辑区域、地点实体四大类地域实体及映射关系。正文抽取模块负责对互联网上下载的网页文本做第一步处理，分为去噪和去重两个阶段。地域名词识别模块的输入是每一篇网页正文，输出该网页正文中包含的所有地域名词，即地名。地域属性判定从得到的地名列表中过滤出具有地域属性的地名，地域标签判定是，对于一条信息中出现的多个有地域属性的地名，采用自主设计的算法，利用树状结构、权值排序和筛选，兼顾了文本出现次数和地理位置的关系，计算出最终代表该信息整体的地名作为地域标签。整个平台的技术指标分为三个：准确率、召回率和二者的调和平均值。采用的测试方法是：随机选取一定量的数据，先由该系统进行自动判定，再由人工评价这些判定结果，针对结果的正确性计算出上述三个技术指标。