基于维基百科的中英文跨语言实体匹配方法

摘要

本发明公开了一种基于维基百科的中英文跨语言实体匹配方法。本发明首先通过wikidump获得中英文维基百科页面数据，并对数据预处理，具体为：提取每个页面的标题，摘要，目录，全文文本，链出链接，链入链接，分类信息；将中文维基页面的标题翻译成英文；对摘要，目录和全文文本分别分词；提取中英文维基百科中已存在的页面跨语言链接和分类跨语言链接。然后，针对每个中文维基页面，根据链出链接信息，获取他的英文跨语言页面候选集。接着，计算中文页面与它的英文跨语言页面候选集之间的特征。最后，构建排序模型，对当前中文页面的英文跨语言页面候选集进行相似度排序，并将相似度最高的英文跨语言页面候选集作为当前中文页面的跨语言链接。