本發(fā)明屬于計算機科學領域中的網絡分支，具體涉及一種使用語言查詢的文本分析系統(tǒng)和方法，適用于網絡信息提取、商業(yè)情報挖掘、信息聚合、網絡知識庫建立等應用領域。

背景技術：
隨著互聯(lián)網的高速發(fā)展，網絡上的信息呈爆炸式增長，人們越來越習慣在網絡上獲取信息。然而，由于網絡上的信息太多，即使有了網絡搜索工具，人們還很難找到所需要的信息。此外，網絡上也經常出現(xiàn)許多不相干的噪音信息，盡管很多信息是能被檢索到，但其內容可能是不相干或不準確的。因此，人們希望出現(xiàn)一種智能工具，根據(jù)用戶的意愿，幫助人們擯除噪音，在大量的信息中，篩選出真正需要的信息。傳統(tǒng)的自然語言處理（NLP）系統(tǒng)，能利用自然語言處理技術，如分詞性標注，分類樹，同義詞，索引典等，從文本的內容，提取當中的意義。大量的計算機程序也因此被開發(fā)出來，以從這些經NLP加工后的文本內容，提取知識。但是，計算機程序的開發(fā)通常是非常耗時。此外，隨著時間推移，便需要更多的計算機程序以提取新的知識，這使整個分析系統(tǒng)的維護費用變得昂貴。在很多時候，由于被提取的知識是含糊不清，還需要人工核實和校正。中國發(fā)明專利申請申請?zhí)枮?00810142630.7和200910104805.X提出利用分類樹對文本進行分析的文本分析系統(tǒng)。然而，該系統(tǒng)高度依賴于博客或網頁的結構，以作為系統(tǒng)的輸入。對于許多文本分析系統(tǒng)，由于內容的來源（如從不同新聞網站的新聞文章，微博的內容）可能不具有良好或相同的結構，這意味著每一個網站或每一個網頁便需要相對應的規(guī)則。此外，該內容的來源結構可能隨時間而發(fā)生變更，所以每當該結構發(fā)生變化時，分類樹也必需重建，這都是不具有成本效益的。美國專利申請公開號2011/019671和PCT國際公布號WO2012/099970A1提出品牌估值系統(tǒng)。該系統(tǒng)收集品牌網站銷售和傳輸數(shù)據(jù)，以評估品牌的價值。它也試圖比較不同品牌，以創(chuàng)建在某一個行業(yè)的品牌指數(shù)。但該系統(tǒng)的問題是，收集競爭對手網站的銷售和流量數(shù)據(jù)是相當困難的。從理論上，如果一個組織可以從不同公司收集得到數(shù)據(jù)，該指數(shù)是可以被建立的。然而在實際上，因為銷售數(shù)據(jù)通常是高度保密，所以這是不可行的。

技術實現(xiàn)要素：
根據(jù)以上問題，本發(fā)明公開了一種使用語言查詢的文本分析系統(tǒng)和方法。本發(fā)明使用中文分詞（ChineseSegmentation）和語言查詢語言（LinguisticsQueryLanguage，LQL）技術。透過中文分詞，能對中文文本進行詞的切分，并對所切分出的詞進行詞性標注（Part-of-Speech，POSTagging）。LQL技術能對該被切分和被詞性標注的中文文本，作進一步分析，以提取所需的知識。根據(jù)本發(fā)明的一個方面，提供了一種使用語言查詢的文本分析系統(tǒng)，所述系統(tǒng)包括：文本內容輸入模塊，用于輸入中文文本于所述的文本分析系統(tǒng)；中文分詞模塊，用于對該中文文本進行詞的切分；詞性標注模塊，用于對該被切分出的詞，標注上詞性標簽；應用詞典數(shù)據(jù)庫，包括一個或多個應用詞典，該應用詞典包括一個或多個關鍵詞；語言查詢語言（LQL）規(guī)則數(shù)據(jù)庫，用于儲存一個或多個LQL規(guī)則，其中，該LQL規(guī)則的設定包括：定義被提取的知識在該中文文本中的位置（ExtractionPosition）；定義覆蓋范圍（Coverage），該覆蓋范圍是一個句子，一個段落或一個文檔；定義一個或多個匹配條件（MatchCriteria），該匹配條件是短語列表（PhraseList）或具有特定詞性標注的詞（WORDPOS）；定義匹配模式（MatchPattern），該匹配模式是用于定義匹配條件，當該匹配條件是短語列表時，其匹配模式是一個檔案名稱，該檔案名稱指向在該應用詞典內的一個或多個關鍵詞，當該匹配條件是該具有特定詞性標注的詞時，其匹配模式是詞性標簽；LQL分析模塊，根據(jù)該LQL規(guī)則，用于對該被切分和被詞性標注的中文文本，進行LQL分析，并提取所需的知識，其中，該LQL分析包括：確立該LQL規(guī)則所定義的覆蓋范圍；根據(jù)該LQL規(guī)則的匹配條件所定義的詞性標簽，在該被切分和被詞性標注的中文文本，找出具有該詞性標簽的詞；根據(jù)該LQL規(guī)則的匹配條件所定義的關鍵詞，在該被切分和被詞性標注的中文文本，找出與該關鍵詞相同的詞；當在該覆蓋范圍中，該匹配條件能得到滿足，根據(jù)該LQL規(guī)則所定義的被提取知識在中文文本中的位置，提取一個或多個詞；被提取知識數(shù)據(jù)庫，用于儲存該被提取的知識。根據(jù)本發(fā)明的另一個方面，提供了一種使用上述系統(tǒng)的文本分析方法，所述方法包括：S1：取得中文文本；S2：使用中文分詞模塊，對該中文文本進行詞的切分；S3：使用詞性標注模塊，對該被切分出的詞，進行詞性標注；S4：在LQL分析模塊，使用LQL規(guī)則，對該被切分和標注的中文文本，進行LQL分析，以提取知識，其中，該LQL分析包括以下步驟：確立該LQL規(guī)則所定義的覆蓋范圍；根據(jù)該LQL規(guī)則的匹配條件所定義的詞性標簽，在該被切分和被詞性標注的中文文本，找出具有該詞性標簽的詞；根據(jù)該LQL規(guī)則的匹配條件所定義的關鍵詞，在該被切分和被詞性標注的中文文本，找出與該關鍵詞相同的詞；當在該覆蓋范圍中，該匹配條件能得到滿足，根據(jù)該LQL規(guī)則所定義的被提取知識在中文文本中的位置，提取一個或多個詞。根據(jù)本發(fā)明的一個方面，提供了一種使用語言查詢的文本分析系統(tǒng)，所述系統(tǒng)包括：文本內容輸入模塊，用于輸入該語言的文本于所述的文本分析系統(tǒng)；語言分詞模塊，用于對該文本進行詞的切分；詞性標注模塊，用于對該被切分出的詞，標注上詞性標簽；應用詞典數(shù)據(jù)庫，包括一個或多個應用詞典；語言查詢語言（LQL）規(guī)則數(shù)據(jù)庫，用于儲存一個或多個LQL規(guī)則，其中，該LQL規(guī)則的設定包括：定義被提取的知識在該文本中的位置（ExtractionPosition）；定義覆蓋范圍（Coverage），該覆蓋范圍是一個句子，一個段落或一個文檔；定義一個或多個匹配條件（MatchCriteria），該匹配條件是短語列表（PhraseList）或具有特定詞性標注的詞（WORDPOS）；定義匹配模式（MatchPattern），該匹配模式是用于定義匹配條件，當該匹配條件是短語列表時，其匹配模式是一個檔案名稱，該檔案名稱指向在該應用詞典內的一個或多個關鍵詞，當該匹配條件是該具有特定詞性標注的詞時，其匹配模式是詞性標簽；LQL分析模塊，根據(jù)該LQL規(guī)則，用于對該被切分和被詞性標注的文本，進行LQL分析，并提取所需的知識，其特征在于，該LQL分析包括：確立該LQL規(guī)則所定義的覆蓋范圍；根據(jù)該LQL規(guī)則的匹配條件所定義的詞性標簽，在該被切分和被詞性標注的文本，找出具有該詞性標簽的詞；根據(jù)該LQL規(guī)則的匹配條件所定義的關鍵詞，在該被切分和被詞性標注的文本，找出與該關鍵詞相同的詞；當在該覆蓋范圍中，該匹配條件能得到滿足，根據(jù)該LQL規(guī)則所定義的被提取知識在文本中的位置，提取一個或多個詞；被提取知識數(shù)據(jù)庫，用于儲存該被提取的知識。依據(jù)本發(fā)明，以語言查詢的文本分析系統(tǒng)包括文本內容輸入模塊、文本語法分析模塊、文本分詞模塊、詞性標注模塊、LQL分析模塊、被提取知識數(shù)據(jù)庫、中文分詞詞典、LQL規(guī)則數(shù)據(jù)庫、應用詞典數(shù)據(jù)庫、錯誤校正規(guī)則數(shù)據(jù)庫、錯誤校正模塊、LQL規(guī)則輸入界面、應用詞典輸入界面和錯誤校正規(guī)則輸入界面。分詞就是將連續(xù)的字序列按照一定的規(guī)范重新組合成詞序列的過程。中文分詞指的是將漢字序列切分成一個一個單獨的詞。所述中文分詞模塊是用于對中文文本進行詞的切分，即像英文那樣，使得中文句子中的每一個詞之間留有空格。所述詞性標注模塊便是對被切分出的詞進行詞性標注（POSTagging）。所述中文分詞詞典包括術語列表，當中的術語具有詞性標注和該詞性標注出現(xiàn)的頻率。該文本分詞模塊和該詞性標注模塊便是基于該中文分詞詞典、對中文文本進行詞的切分和詞性標注。所述應用詞典數(shù)據(jù)庫包含一個或多個應用詞典。每一個應用詞典記載了一系列根據(jù)特定應用的關鍵詞。應用詞典會被應用于LQL規(guī)則的設定中。所述LQL分析模塊使用LQL規(guī)則，對被切分和被詞性標注的中文文本進行分析，并從中提取所需的知識。用戶能使用LQL規(guī)則輸入界面，根據(jù)不同的需要，而設定所需的LQL規(guī)則，并把LQL規(guī)則儲存于LQL規(guī)則數(shù)據(jù)庫當中。該被提取的知識會被儲存于被提取知識數(shù)據(jù)庫當中。該錯誤校正模塊能使用錯誤校正規(guī)則，對被提取的知識作出分析，并刪除那些被錯誤提取的知識，從而提高知識提取的準確性。用戶能使用錯誤校正規(guī)則輸入界面，根據(jù)不同的需要，設定錯誤校正規(guī)則。被設定的錯誤校正規(guī)則會被儲存于錯誤校正規(guī)則數(shù)據(jù)庫當中。根據(jù)本發(fā)明的一個方面，LQL規(guī)則設定包括：定義被提取知識在文本中的位置（ExtractionPosition）；定義覆蓋范圍（Coverage），該覆蓋范圍可以是一個句子，一個段落或一個文檔；定義匹配條件（MatchCriteria），該匹配條件可以是短語列表（PhraseList）、具有特定詞性標簽的詞（WORDPOS）或不具有特定詞性標簽的詞（WORDNOTPOS）；定義匹配模式（MatchPattern），該匹配模式是用于定義匹配條件，對于PhraseList，其匹配模式可以是一個檔案名稱，該檔案名稱指向在應用詞典內的一系列關鍵詞，對于WORDPOS或WORDNOTPOS，其匹配模式是詞性標簽；定義可選的條件（OptionalCriteria），用于匹配條件，并能被一般的正規(guī)表達式所定義。根據(jù)本發(fā)明的一個方面，所述LQL分析模塊使用LQL規(guī)則，對被切分和被詞性標注的文本進行分析，該LQL分析包括：確立LQL規(guī)則所定義的覆蓋范圍；根據(jù)LQL規(guī)則的匹配條件所定義的詞性標簽，在該被切分和被詞性標注的文本，找出具有該詞性標簽的詞；根據(jù)LQL規(guī)則的匹配條件所定義的關鍵詞，在該被切分和被詞性標注的文本，找出與該關鍵詞相同的詞；當在該覆蓋范圍中，能找出具有該詞性標簽的詞和與該關鍵詞相同的詞，即該匹配條件能得到滿足，根據(jù)該LQL規(guī)則所定義的被提取知識在中文文本中的位置，提取一個或多個詞。根據(jù)本發(fā)明的一個方面，所述錯誤校正規(guī)則設定包括定義一個或多個的數(shù)值和數(shù)值比較要求。定義該數(shù)值可以是：定義被提取的知識是單值的或多值的；定義被提取知識來源數(shù)目的閾值；定義被提取知識數(shù)目的閾值；或定義被提取知識的數(shù)目占所有被提取知識數(shù)目的百分比的閾值。該數(shù)值比較要求是比較統(tǒng)計值和該數(shù)值，可以是大于、小于或者等于。當被提取的知識不符合以上一個或多個錯誤校正規(guī)則，這些錯誤被提取的知識會被刪除。根據(jù)本發(fā)明的一個方面，所述錯誤校正模塊使用錯誤校正規(guī)則，對被切分和被詞性標注的文本進行分析，該錯誤校正分析包括：對所有被提取的知識進行統(tǒng)計，以取得統(tǒng)計值；把該統(tǒng)計值和該錯誤校正規(guī)則所定義的數(shù)值比較；刪除不符合數(shù)值比較要求的被提取的知識。根據(jù)本發(fā)明的另一個方面，提供了一種使用語言查詢的文本分析方法，所述方法包括以下步聚：S1：使用LQL規(guī)則輸入界面，定義LQL規(guī)則；S2：使用應用詞典輸入界面，定義應用詞典；S3：使用錯誤校正規(guī)則輸入界面，定義錯誤校正規(guī)則；S4：使用文本內容輸入模塊，取得文本；S5：使用文本語法分析模塊，對該文本進行語法分析。S6：使用文本分詞模塊，對該文本進行詞的切分；S7：使用詞性標注模塊，對被切分出的詞進行詞性標注；S8：在LQL分析模塊，使用LQL規(guī)則，對已被切分和標注的中文文本，進行LQL分析，以提取知識；S9：把被提取的知識，儲存于被提取知識數(shù)據(jù)庫中；S10：使用錯誤校正模塊，并根據(jù)錯誤校正規(guī)則，刪除錯誤被提取的知識，以增加所述被提的知識的準確性。本發(fā)明的優(yōu)點在于，由于語言查詢語言的設定很接近自然語言，而非一般的計算機語言，所以非計算機程式員也能簡單地設定語言規(guī)則語言，以提取知識，從而減低計算機程序開發(fā)的難度，有效地降低系統(tǒng)開發(fā)和維護成本。同時，被設定的語言查詢語言能夠被累積和儲存于語言查詢語言數(shù)據(jù)庫，以作為新應用的參考。此外，本發(fā)明是可以獨立于文本內容的網頁格式和結構，大大增強了收集信息的范圍。根據(jù)本發(fā)明的多個方面，只需簡單地更改語言查詢語言和更新應用詞典，便能使用者因需要而建立不同種類的應用。例如，人物搜索，以提取人和機構的關系；新聞搜尋系統(tǒng)，其能聯(lián)系一篇新聞文章于一個地方；品牌估值，以監(jiān)測品牌于不同社交媒體平臺的認受程度。附圖說明通過下面的附圖本領域技術人員將對本發(fā)明有更好的理解，并且更能清楚地體現(xiàn)出本發(fā)明的優(yōu)點。這里描述的附圖僅為了所選實施例的說明目的，而不是全部可能的實施方式并且旨在不限定本發(fā)明的范圍。圖1是根據(jù)本發(fā)明的使用語言查詢的文本分析系統(tǒng)方框圖；圖2是根據(jù)本發(fā)明的一種詞性標注的方法；圖3是根據(jù)本發(fā)明的使用語言查詢的文本分析方法流程圖；圖4是根據(jù)本發(fā)明的LQL分析方法流程圖；圖5是根據(jù)本發(fā)明的錯誤校正分析流程圖。具體實施方式圖1示出了根據(jù)本發(fā)明的一個實施例的文本分析系統(tǒng)，包括文本內容輸入模塊101、文本語法分析模塊102、文本分詞模塊103、詞性標注模塊104、LQL分析模塊105、被提取知識數(shù)據(jù)庫106、中文分詞詞典10...