本发明实施例涉及信息处理技术，尤其涉及一种实体关系数据的生成方法、装置、设备及存储介质。
背景技术：
：：实体关系数据，也被称作spo三元组数据，是指实体pair(主体s-客体opair)与他们之间的关系(p)构成的三元组。实体关系是知识图谱的关键组成部分，从知识图谱构建角度来看，实体关系挖掘可以丰富图谱中的关系知识，构建实体之间的关联关系；从产品应用角度，实体关系一方面可以直接满足用户对于知识类的搜索需求，例如搜索某个明星的妻子“×××妻子”时，可以通过实体关系数据直接给出答案，另外一方面还可以基于实体关系为用户推荐关联的知识，为用户提供信息扩展的阅读体验，例如搜索某个名人的名字“××”时，可以通过实体关系为用户推荐该名人相关的其他实体。现有技术中，实体关系挖掘主要通过以下两种方式来进行：其中，第一种方式是，针对百科类网站进行抽取。根据百科类网站有良好的结构，数据十分规范的特点，直接从百科类网站的信息盒或者属性表格(百科类网站的实体下用于描述实体属性的一种网页结构)中抽取实体关系。利用百科类网站结构简单稳定的特点，从待抽取的百科类站点中采样并标注几个典型页面，对这些页面通过模式学习算法自动构建出一个或多个以类xpath表示的模式，然后将其应用在该站点的其他详细页面中从而实现抽取。第二种方式是，针对网站生成包装器(模板)的抽取方法。通过分析需要抽取的网站的结构和html标签等信息，构造对应的包装器，使用这个包装器对该网页进行实体关系抽取。对于一般的有规律的页面，包装器通常依靠人工使用正则表达式的方式写出xpath和css选择器表达式来提取网页中的元素。现有技术的缺陷在于：第一种方式可以抽取的数据量少，且数据时效性不强；第二种方式的人工成本很高且通用性不强。技术实现要素：本发明实施例提供一种实体关系数据的生成方法、装置、设备及存储介质，以实现提高网页通用性，降低人力成本，提高实体关系数据的产出量。第一方面，本发明实施例提供了一种实体关系数据的生成方法，包括：获取与目标网页对应的网页源码数据；在所述网页源码数据中，识别出至少一个键值块，其中，所述键值块中包括至少一个键值对；在所述网页源码数据中，识别出与所述至少一个键值块对应的主体值；根据所述键值块以及与所述键值块对应的主体值，生成与所述目标网页对应的实体关系数据。第二方面，本发明实施例还提供了一种实体关系数据的生成装置，该装置包括：源码获取模块，用于获取与目标网页对应的网页源码数据；键值块识别模块，用于在所述网页源码数据中，识别出至少一个键值块，其中，所述键值块中包括至少一个键值对；主体值识别模块，用于在所述网页源码数据中，识别出与所述至少一个键值块对应的主体值；数据生成模块，用于根据所述键值块以及与所述键值块对应的主体值，生成与所述目标网页对应的实体关系数据。第三方面，本发明实施例还提供了一种计算机设备，该设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的实体关系数据的生成方法。第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的实体关系数据的生成方法。本发明实施例通过获取与目标网页对应的网页源码数据，并识别该网页源码数据中包括的至少一个键值块以及各键值块对应的主体值，根据各键值块及其对应的主体值，生成与目标网页对应的实体关系数据，由于是从网页源码数据中识别实体关系，使得对网页类型、网页结构、站点等不受限制，且可以自动对网页进行实体关系数据的抽取，无需过多的人力维护，同时，在海量互联网网页中进行抽取可以获得规模庞大的实体关系数据，从而提高了网页通用性，降低了人力成本，提高了实体关系数据的产出量。附图说明图1a是本发明实施例一提供的一种实体关系数据的生成方法的流程示意图；图1b是本发明实施例一适用的一种网页数据预处理方法的流程示意图；图1c是本发明实施例一适用的一种基于查询式的主体值识别方法的流程示意图；图1d是本发明实施例一适用的一种主体值识别方法的流程示意图；图2a是本发明实施例二提供的一种实体关系数据的生成方法的流程示意图；图2b是本发明实施例二适用的一种键值块识别方法的流程示意图；图2c是本发明实施例二适用的一种半结构化spo数据抽取系统的结构示意图；图3是本发明实施例三提供的一种实体关系数据的生成装置的结构示意图；图4是本发明实施例四提供的一种计算机设备的结构示意图。具体实施方式下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。实施例一图1a为本发明实施例一提供的一种实体关系数据的生成方法的流程示意图，本实施例可适用于从网页中获取实体关系数据的情况，该方法可以由本发明实施例提供的实体关系数据的生成装置来执行，该装置可由硬件和/或软件组成，并一般可集成在计算机设备中。如图1a所示，本实施例的方法具体包括：s110、获取与目标网页对应的网页源码数据。本实施例中，目标网页可以是互联网上的任意网页，网页源码数据可以是该目标网页的源代码数据。由于互联网上各种网页鱼龙混杂，可先对获取的网页进行预处理，以提高获取的网页源码数据的有效性和可靠性。具体的，获取与目标网页对应的网页源码数据可以包括：根据目标网页的统一资源定位符(uniformresourcelocator，url)，在网页库中获取与目标网页对应的源码数据作为待验证源码数据；如果确定待验证源码数据不满足网页过滤条件，则将待验证源码数据作为目标网页的网页源码数据。其中，网页库中预存有与多个网页分别对应的源码数据；网页过滤条件包括但不限于网页所在的站点为黑名单站点、网页的质量评级小于预设阈值、网页的语言为外文、网页为色情网页、网页的类型为图片类型等过滤条件；源码数据可以称为ulpack数据，该数据可通过wdbtools等工具从网页库中获取。另外，对待验证源码数据的过滤可以使用nlpcantiporn等工具来实现。为了更全面地获取网页中包含的实体关系数据，可选的，在获取与目标网页对应的网页源码数据之后，还包括：在搜索引擎的点击展示日志中，获取与目标网页的统一资源定位符对应的至少一个查询式，并将获取的至少一个查询式与网页源码数据进行关联。其中，点击展示日志可以是用户在输入查询式后，在显示的各个网页中针对点击打开的网页，所记录的日志。查询式可以为query数据，获取与目标网页的url对应的至少一个query数据的目的是，为了给后续步骤中对主体值的识别提供更多的参考。此外，还可对根据获取的查询式做违规查询式的识别，从而进一步过滤掉违规网页。最终，通过将同一url对应的查询式及其对应的网页源码数据合并，建立查询式与网页源码数据之间的关联关系。举一个实际例子，如图1b所示的流程示意图，对获取的目标网页的url进行预处理，可通过三个步骤完成，包括：获取ulpack数据：获取网页库中目标网页的url对应的ulpack数据；网页过滤：在获取网页库的数据后，根据网页所在的站点、网页的质量、网页的语言、是不是色情网页、网页的类型等信息进行过滤；过滤色情query网页及query合并：获取url的搜索query，并根据url的query做色情query识别，进一步过滤掉色情网页，过滤色情query之后将query和网页数据合并。s120、在网页源码数据中，识别出至少一个键值块，其中，键值块中包括至少一个键值对。本实施例中，键值对可以为kv类型文本数据，至少一个kv类型文本数据可以组成一个键值块。例如，若网页信息中包括：“性别：女”，则可以通过对网页源码数据进行解析，进而识别为一个键值对，一个键值对可包括一个键名和一个键值，其中，键名(k)例如可以为“性别”，键值(v)例如可以为“女”。具体的，在网页源码数据中，可以以键值对为最小识别单位，识别出至少一个键值对，再将这些键值按照预设划分规则进行划分，得到至少一个键值块。这样设置的好处在于，可减少后续步骤中的处理对象，提高处理效率。其中，从网页源码数据中识别kv类型文本数据的方式，包括但不限于工具识别、根据现有识别结果进行识别以及通过特定标签来识别等。s130、在网页源码数据中，识别出与至少一个键值块对应的主体值。本实施例中，键值块对应的主体值可以是实体关系数据中的主体(s)，对主体值的识别可以是根据网页类型、键值块的类型以及目标网页所在站点的xpath模板，给键值块找到一个合适的网页节点作为主体值。其中，xpath即为标准通用标记语言的子集(extensiblemarkuplanguage，xml)的路径语言，它是一种用来确定xml文档中某部分位置的语言。其中，对每个键值块对应的主体值分别进行识别的方式，包括但不限于基于实体页的主体值识别、基于强样式节点的主体值识别、基于白名单的主体值识别、基于查询式的主体值识别以及基于站点模板的主体值识别等。例如，若网页信息中包括：“性别：女，年龄：18岁，毕业时间：2018年6月”，且其对应的人物姓名为“张晓婷”，则可将前一组详细信息作为一个键值块，并将“张晓婷”识别为该键值块对应的主体值。可选的，在网页源码数据中，识别出与至少一个键值块对应的主体值，可以包括：如果确定当前处理的目标键值块为主键值块，且网页源码数据中包括满足第一标签条件的实体页节点，则按照实体页评分规则，判断目标网页是否为实体页；若是，则将与实体页节点对应的文本数据作为目标键值块的主体值；其中，主键值块为与网页源码数据对应的至少一个键值块中包含键值对数量最多的一个键值块。示例性的，基于实体页的主体值识别包括两个步骤，先判断网页是否为实体页，然后对实体页进行主体值识别。其中，实体页的判断方法可以是根据页面内的文本特征进行加权打分，得分超过阈值的就认为是实体页类型网页。在一个具体例子中，页面内的文本特征包括，页面内是否有某些关键字(比如：简介，概述等)，是否有描述分数的文本(比如，打分，得分等)，标题长度，标题是否和页面内文本重合或者词频等。加权打分的方式是给每个文本特征不同的权重(典型的，可以通过抽样统计各个特征的区分度来人工设置权重)，来进行加和打分。在确定目标网页为实体页后，对实体页的主体值识别具体可以是，将网页源码数据中实体页节点对应的文本数据直接作为当前正在识别的目标键值块的主体值。其中，实体页节点例如可以是网页源码数据中具有<h1>标签的节点。另外，需要强调的是，当前正在识别的目标键值块需为该网页源码数据对应的多个键值块中键值对数量最多的键值块，也即主键值块，这样设置的目的在于，避免一些小键值块对应的内容信息被误识别为目标网页大标题应该对应的内容，从而提高主体值的识别准确率。可选的，在网页源码数据中，识别出与至少一个键值块对应的主体值，可以包括：根据当前处理的目标键值块在目标网页中的页面位置，在网页源码数据中向前查找满足第二标签条件的强样式节点；如果查找到强样式节点，且强样式节点的xpath同目标键值块对应的xpath不一致，则将与强样式节点对应的文本数据作为目标键值块的主体值。示例性的，在基于强样式节点的主体值识别中，主要是根据键值块的位置，向前查找网页中符合第二标签条件的强样式节点，将其中符合一定规则的强样式节点所对应的文本数据作为该键值块的主体值。其中，强样式节点例如可以是网页源码数据中具有<strong>标签或者<h1>～<h7>标签的节点。若强样式节点的xpath同该键值块对应的xpath不一致，则说明强样式节点等级高于该键值块，由于该强样式节点又是从该键值块所处的网页中的位置开始，向前查找到的，因此，极有可能就是该键值块的对应内容的标题信息，从而将该强样式节点所对应的文本数据作为该键值块的主体值，降低了主体值的误识别率。可选的，在网页源码数据中，识别出与至少一个键值块对应的主体值，可以包括：将当前处理的目标键值块中包括的键值对的键名，与设定的白名单进行匹配；如果确定目标键值块中包括的目标键名与白名单匹配，则获取与目标键名对应的目标键值，作为目标键值块的主体值。示例性的，由于键值块中某些键值对的键名具有明显的特征，例如名称类的实体关系中所对应客体值具有明显的特征，因此，可将具有明显特征的键名所对应的键值直接作为主体值。例如，可在白名单中预先设置“姓名”、“影片名称”等具有明显特征的键名，若键值块中包括键值对“姓名：张晓婷”，可将键名“姓名”对应的键值“张晓婷”，直接作为该键值块的主体值。可选的，在网页源码数据中，识别出与至少一个键值块对应的主体值，可以包括：如果确定当前处理的目标键值块为主键值块，则根据网页源码数据关联的至少一个查询式中各个分词的词频，确定目标分词；在网页源码数据中查找文本数据与目标分词满足相似度条件的至少一个查询式节点；如果查找到的查询式节点的xpath同当前处理的目标键值块对应的xpath不相同，且在目标网页中，查询式节点的页面位置与目标键值块的页面位置满足设定距离条件，则将查询式节点的文本数据作为目标键值块的主体值。示例性的，基于查询式的主体值识别是针对主键值块设计的主体值识别策略，由于一个url的查询式query应该与这个页面的内容关联性比较高，同时一个网页的主键值块也包含了页面主要的内容信息，所以query和主键值块的信息所描述的内容很大几率是比较相似的，因此，可以根据query中包含的信息，也即目标分词，来识别主键值块的主体值。基于query的主体值识别输入是query的分词结果和对应的词频，通过以上识别策略，如果有满足条件的节点，则给出识别到的查询式节点，并将查询式节点对应的文本数据作为该主键值块的主体值，否则识别失败。其中，设置查询式节点的页面位置需要与目标键值块的页面位置满足设定距离条件的目的在于，保证该查询式节点不能离目标键值块太远，降低误识别的概率。可选的，根据网页源码数据关联的至少一个查询式中各个分词的词频，确定目标分词，可以包括：对至少一个查询式进行分词处理，并计算各分词的词频；如果根据词频计算结果，确定至少两个分词满足词拼接条件，则将至少两个分词拼接生成新的分词，并更新与新的分词对应的词频；如果根据词频对各分词的排序结果确定出的第一顺位分词与第二顺位分词之间的词频差值满足词频阈值条件，则将第一顺位分词作为目标分词。示例性的，可以使用分词工具对各查询式进行分词处理，然后按照每个分词出现的次数，计算各分词的词频，如果其中两个分词的词频均低于预设最低阈值，则将该两个分词进行拼接，形成新的分词，并重新计算各分词对应的词频，最后，根据词频结果进行排序，确定词频最高的分词和词频第二高的分词之间，词频差值是否大于预设阈值，也即满足词频阈值条件，若是，则说明词频最高的分词即为可代表查询式主要内容的分词，并将该分词作为目标分词，以与主键值块中的内容进行比对，从而最终确定主键值块对应的主体值。为了便于理解，可将基于查询式的主体值识别过程可通过具体的流程图进行表示，例如图1c所示，具体的，先对查询式进行分词处理，并计算相应的词频，再进行词拼接，并重新计算相应的词频，判断词频最大的两个分词所对应的词频是否相近，若是，则无法通过该查询式来识别主体值，因此无输出；若否，则获取网页中与该词频最高的分词相似的节点作为候选节点。判断是否存在这样的候选节点，若否，则无输出，该方法失效，若是，则对各候选节点进行排序后，依次判断各候选节点与当前处理的目标键值块是否有相同的xpath，并且候选节点在网页界面中的位置与目标键值块在网页界面中的位置之间的距离是否太远，若其中一个为是，则删除该候选节点，若均为否，则将该候选节点确定为目标键值块的主体值所在节点，该节点对应的文本数据即为目标键值块的主体值。可选的，在网页源码数据中，识别出与至少一个键值块对应的主体值，可以包括：根据目标网页的统一资源定位符，确定与目标网页对应的目标站点；获取预存的与目标站点对应的至少一个候选模板，并通过候选模板识别与当前处理的键值块对应的主体值；其中，目标站点中的候选模板是对目标站点的多个网页进行键值对识别后，通过识别结果生成的。示例性的，基于站点模板的主体值识别，是根据站点模板数据来识别键值块对应的主体值。主要包括两个步骤：从站点模板中获取候选模板；利用候选模板识别主体值。其中，目标站点可以是目标网页所属的站点，由于每个网页的url携带有网页所在站点的信息，因此，可根据该url识别目标网页对应的目标站点。具体的，部分站点可能预先存储有相应的识别模板，因此可直接通过调用该模板，获取键值块对应的主体值。s140、根据键值块以及与键值块对应的主体值，生成与目标网页对应的实体关系数据。本实施例的键值块及其主体值中可包括多个s-kv数据，其中，s为键值块的主体值，k为键值块中键值对的键名，v为键值块中键值对的键值。由于s-kv数据与实体关系数据之间存在对应关系，因此，可将目标网页中的键值块进行拆分，并与对应的主体值进行重新组合后，生成与目标网页对应的实体关系数据。可选的，根据键值块以及与键值块对应的主体值，生成与目标网页对应的实体关系数据，可以包括：分别将键值块中包括的各个键值对，与键值块对应的主体值进行组合，构造三元组数据；将三元组数据中包括的键名作为主客体关系值，与键名对应的键值作为客体值，以生成实体关系数据。示例性的，一个键值对及其所属键值块对应的主体值组合后，可构造为一个spo三元组数据，其中，将键值对所属键值块对应的主体值作为该spo三元组数据中的s，也即实体关系数据中的主体值，将键值对的键名作为spo三元组数据中的p，也即实体关系数据中的实体关系值，将键值对的键值作为spo三元组数据中的o，也即实体关系数据中的客体值，从而最终生成实体关系数据。本实施例的技术方案，通过获取与目标网页对应的网页源码数据，并识别该网页源码数据中包括的至少一个键值块以及各键值块对应的主体值，根据各键值块及其对应的主体值，生成与目标网页对应的实体关系数据，由于是从网页源码数据中识别实体关系，使得对网页类型、网页结构、站点等不受限制，且可以自动对网页进行实体关系数据的抽取，无需过多的人力维护，同时，在海量互联网网页中进行抽取可以获得规模庞大的实体关系数据，从而提高了网页通用性，降低了人力成本，提高了实体关系数据的产出量。在上述实施例的基础上，可选的，可从上述对目标键值块的五种主体值识别方式中任选一种或多种方式来进行主体值识别，其中，若采用多种方式来进行识别，则可对该多种方式按照一定的顺序进行组合后进行综合识别，以提高主体值的识别准确率和成功率。例如，将这五种方式进行组合后，采用如图1d所示的流程，对键值块的主体值进行识别。具体识别顺序为：基于实体页的主体值识别、基于强样式节点的主体值识别、基于白名单的主体值识别、基于查询式的主体值识别以及基于站点模板的主体值识别。对于实体页，可仅采用第一种识别方式进行主体值识别，若识别出主体值，则输出对应的结果，若没有识别出主体值，则直接无输出，也即确定未成功识别该键值块的主体值。对于非实体页中的主体值识别，除了第一种识别方式之外，只要其中一个识别方式识别出了主体值，也即有识别结果，则输出该结果，否则继续采用下一识别方式进行识别，直至最终确定确实没有识别出主体值时，才确定未成功识别该键值块的主体值。实施例二图2a为本发明实施例二提供的一种实体关系数据的生成方法的流程示意图，本实施例以上述实施例为基础进行具体化。在本实施例中，将在网页源码数据中，识别出至少一个键值块，进一步优化为包括：采用基础解析工具对网页源码数据进行数据解析，得到至少一个基础键值对加入键值对集合中；对基础键值对进行键值对扩展，得到至少一个扩展键值对加入键值对集合中；对键值对集合中包括的键值对进行合并处理，得到至少一个键值块。相应的，本实施例的方法包括：s210、获取与目标网页对应的网页源码数据。s220、采用基础解析工具对网页源码数据进行数据解析，得到至少一个基础键值对加入键值对集合中。其中，基础解析工具可以是kv解析工具，对目标网页对应的网页源码数据进行数据解析的目的在于，获取其中包括的至少一个键值对，作为基础键值对，并放入预设的键值对集合中。示例性的，由于一些解析工具可以对网页源码数据中一些符合kv类型的数据进行自动识别，因此，可首先使用基础解析工具对目标网页中包含的键值对进行粗略识别。举一个实际例子，可使用mars解析工具对ulpack数据进行解析，取出解析结果中的对网页内kv形式描述的文本数据，或者是解析结果中简单的<table>标签所对应的文本数据，作为基础键值对。s230、对基础键值对进行键值对扩展，得到至少一个扩展键值对加入键值对集合中。本实施例中由于基础解析工具具有一定的局限性，能够从数据解析结果中获取的键值对有限，因此还需要在得到的基础键值对的基础上，进一步对目标网页中包含的其他键值对进行识别。其中，进行键值对拓展的目的在于，找回基础解析工具无法解析的内容，其进行键值对拓展的方式包括但不限于，对与解析结果中具有相同xpath的kv类型文本进行拓展，以及对特定html标签中的kv类型文本进行拓展等。可选的，对基础键值对进行键值对扩展，得到至少一个扩展键值对加入键值对集合中，可以包括：在网页源码数据中，获取与基础键值对匹配的基础节点的基础xpath，并查找xpath与基础xpath相同的扩展节点；获取与扩展节点对应的文本数据作为扩展键值对；和/或，在网页源码数据中，获取与基础键值对匹配的基础节点的基础html标签；根据基础html标签，确定至少一个扩展html标签，并在网页源码数据中，查找与扩展html标签匹配的扩展节点；获取与扩展节点对应的文本数据作为扩展键值对。在第一种方式中，由于在与已识别出的基础键值对所在节点相同的xpath下，识别出其他键值对的几率较高，因此，可获取与基础键值对所在节点相同xpath下的其他节点所对应的文本数据，对键值对进行拓展，获取更多的键值对。在第二种方式中，由于每个网页源码数据中包含有多个html标签，例如<h1>标签、<strong>标签、<table>标签等，识别出的基础键值对所对应的html标签，该类标签下存在其他键值对的几率较高，因此，也可通过获取与基础键值对对应的html标签，也即基础html标签，相同类型的标签下，所有匹配的节点对应的文本数据，对键值对进行拓展。上述两种方式可单独择一使用，也可综合使用，在此不作限定。在本实施例的一种可选实施方式中，可选的，在对基础键值对进行键值对扩展，得到至少一个扩展键值对加入键值对集合之后，还可以包括：对键值对集合中包括的键值对进行去重处理。具体的，由于拓展出来的键值对可能会与工具识别的键值对有重复，或者是节点信息有冲突，因此，需要对拓展后的结果进行整合去重处理。在一个具体例子中，节点信息的冲突可以包括位置信息(节点在网页中的位置)的冲突或者文本信息的冲突等。例如，工具识别键值对的时候可能会有位置偏差，导致识别出的相同键值对所对应的位置信息发生冲突；又例如，在识别出的两个或者多个键值对中，相同的键名对应于不同的键值，导致了文本信息的冲突。s240、对键值对集合中包括的键值对进行合并处理，得到至少一个键值块，其中，键值块中包括至少一个键值对。为了减轻后续步骤中对每个键值对分别识别主体值的麻烦，提高实体关系数据的生成效率，本实施例中将识别出的所有键值对按照预设的合并规则进行合并处理，从而使得后续主体值识别中仅需以键值块为单位进行识别，为每个键值块分别识别一个主体值即可。具体的，每个键值块中可分配有相同数量的键值对，也可分配有不同数量的键值对，在此不作限定。可选的，对键值对集合中包括的键值对进行合并处理，得到至少一个键值块，可以包括：定位键值对集中的键值对在目标网页中的页面位置；将页面位置连续的至少两个键值对合并入同一个键值块中。示例性的，可将目标网页中键值对所在页面位置连续的，也即键值对所在的页面位置之间不包含其他文本的多个键值对，合并为一个键值块。每个网页可合并出一个或者多个键值块，其中，包含键值对最多的键值块为主键值块。可选的，在对键值对集合中包括的键值对进行合并处理，得到至少一个键值块之后，还可以包括：按照键值对过滤规则，对至少一个键值块中包括的键值对进行过滤处理；按照键值块过滤规则，对至少一个键值块进行过滤处理。示例性的，键值过滤包括两个粒度，分别是键值对粒度和键值块粒度。具体的，可先进行键值对粒度的过滤，再进行键值块粒度的过滤。进行过滤的有益效果在于，可以删除一些无效的键值对或键值块，从而提高实体关系数据的有效性和可靠性。其中，针对键值对粒度的过滤，主要是根据键值对的长度、文本类型和其中的符号来进行过滤，例如，键值对中键名太长或键值太长的键值对，可视为无效键值对，因此需要过滤掉，又如，键值对对应的文本中包含无法识别的符号，或者全是符号，则也应视为无效键值对。另外，针对键值块粒度的过滤，主要是为了过滤掉键值块中无实体关系意义的键值块，例如，“温馨提示：×××”等无实际意义的键值块，又如，“技能a：×××”等名词解释类的文本。在一个实际例子中，对键值块识别的整个处理过程可以按照如图2b所示的流程图来进行，首先，利用mars解析工具对网页内容进行解析，根据解析出来的kv数据和网页信息进行kv的拓展、去重、切分和过滤，产出最终的网页内的有效kv数据，以kv块为单位输出，其中，kv块切分即键值对的合并。s250、在网页源码数据中，识别出与至少一个键值块对应的主体值。s260、根据键值块以及与键值块对应的主体值，生成与目标网页对应的实体关系数据。本实施例的技术方案，通过对获取的目标网页对应的网页源码数据进行数据解析，得到至少一个基础键值对，并对利用基础解析工具得到的基础键值对进行键值对拓展，进而将基础键值对以及拓展得到的拓展键值对均加入至键值对结合中，对该键值对集合中包括的键值对进行合并处理，得到至少一个键值块，最后，结合网页源码数据中识别出的与该至少一个键值块对应的主体值，生成与目标网页对应的实体关系数据，利用对网页源码数据进行解析得到的基础键值对，以及基于该基础键值对进行拓展得到的拓展键值对，使得每个网页都可以获取到更多的键值对，从而实现了从海量互联网网页中获得规模庞大的实体关系数据，不仅可以满足热门实体检索推荐需求，对长尾实体的覆盖问题也得到很好的解决。在上述各实施例的基础上，为了提高最终生成的实体关系数据的有效性，可对得到的键值块及其对应的主体值进行过滤。可选的，在网页源码数据中，识别出与至少一个键值块对应的主体值之后，还可以包括：采用至少一个统计校验模板，和/或至少一个规则校验模板，根据与至少一个键值块对应的主体值，对至少一个键值块进行过滤。示例性的，对键值块进行过滤是对上游产生的键值块及其对应的主体值进行质量控制，主要包括基于统计的校验和基于规则的校验两种方式，过滤掉其中不符合条件的数据，从而输出高质量的键值块。具体的，统计校验模板主要用于过滤在单个页面信息下难以解决的错误，可从键值对和键值块两个粒度分别进行统计过滤。另外，规则校验模板主要是基于人为设定的规则，对s-kv数据，也即键值对(或键值块)及其对应主体值，进行处理，并分别对s和kv进行过滤。可选的，还可以包括：在与目标网页的统一资源定位符对应的目标站点中的各个网页中，分别获取识别出的与键值块对应的主体值作为处理主体值；如果xpath相同的目标处理主体值的数量超过第一数量阈值，以及根据目标主体值的xpath，以及与目标主体值分别对应的键值块，构造至少一个备选统计校验模板；获取与备选统计校验模板分别对应的键值块；如果与一个目标备选统计校验模板对应的多个键值块中相同键值块的数量超过第二数量阈值，则在备选统计校验模板中删除该目标备选统计校验模板，以得到统计校验模板。示例性的，统计校验模板可通过两个校验步骤来构造：第一步是站点-sxpath级别统计校验，也即将url所在的站点和该url识别的主体值的xpath作为key进行归并，基于归并结果建立多个初始模板，并将实际的s-kv识别结果与各个初始模板进行匹配，过滤掉不满足条件的初始模板，也即得到了备选统计校验模板；第二步是sxpath-kv块级别统计校验模板，也即在备选统计校验模板的基础上，将sxpath，也即主体值的xpath，和对应kv块的xpath，也即键值块的xpath，作为key进行归并，归并后删除多个url下kv完全相同的模板，也即最终得到的统计校验模板。最终得到的统计校验模板主要是对网页的边栏或者底部栏的公共信息中包含的kv数据进行过滤。在上述各实施例的基础上，可构造一个如图2c所示的半结构化spo数据抽取系统，该系统包括：预处理单元50、kv识别单元60、s识别单元70以及s-kv质量控制单元80。其中，预处理单元50用于对输入的网页url进行预处理，获取网页源码数据；kv识别单元60用于对网页源码数据中的键值块进行识别；s识别单元70用于对网页源码数据中的主体值进行识别；s-kv质量控制单元80用于将不符合要求的s-kv数据进行过滤，进而输出符合要求的spo三元组数据。该半结构化spo数据抽取系统的目标是，实现一个从网页中将kv形式表示的信息抽取整理成三元组形式的数据的系统。即给一个目标网页的url作为输入，本系统会为此目标网页以二元组形式标识的实体关系(p)和实体属性值(o)识别出对应的实体(s)，然后以spo三元组的形式输出，从而实现自动抽取任意类型网页中的spo数据，也即实体关系数据。如图2c所示，输入url后经过半结构化spo数据抽取系统，并利用相应的外部数据，例如在预处理过程中所需的点击展示日志、以及进行基于站点模板的主体值识别过程中所需的站点模板等，从而最终得到对应的spo三元组数据。实施例三图3为本发明实施例三提供的一种实体关系数据的生成装置的结构示意图。参考图3，实体关系数据的生成装置包括：源码获取模块310、键值块识别模块320、主体值识别模块330以及数据生成模块340，下面对各模块进行具体说明。源码获取模块310，用于获取与目标网页对应的网页源码数据；键值块识别模块320，用于在所述网页源码数据中，识别出至少一个键值块，其中，所述键值块中包括至少一个键值对；主体值识别模块330，用于在所述网页源码数据中，识别出与所述至少一个键值块对应的主体值；数据生成模块340，用于根据所述键值块以及与所述键值块对应的主体值，生成与所述目标网页对应的实体关系数据。本实施例提供了一种实体关系数据的生成装置，通过获取与目标网页对应的网页源码数据，并识别该网页源码数据中包括的至少一个键值块以及各键值块对应的主体值，根据各键值块及其对应的主体值，生成与目标网页对应的实体关系数据，由于是从网页源码数据中识别实体关系，使得对网页类型、网页结构、站点等不受限制，且可以自动对网页进行实体关系数据的抽取，无需过多的人力维护，同时，在海量互联网网页中进行抽取可以获得规模庞大的实体关系数据，从而提高了网页通用性，降低了人力成本，提高了实体关系数据的产出量。可选的，键值块识别模块320可以包括：基础键值获取子模块，用于采用基础解析工具对所述网页源码数据进行数据解析，得到至少一个基础键值对加入键值对集合中；扩展键值获取子模块，用于对所述基础键值对进行键值对扩展，得到至少一个扩展键值对加入所述键值对集合中；键值块确定子模块，用于对所述键值对集合中包括的键值对进行合并处理，得到所述至少一个键值块。可选的，扩展键值获取子模块，具体可以用于：在所述网页源码数据中，获取与所述基础键值对匹配的基础节点的基础xpath，并查找xpath与所述基础xpath相同的扩展节点；获取与所述扩展节点对应的文本数据作为所述扩展键值对；和/或在所述网页源码数据中，获取与所述基础键值对匹配的基础节点的基础html标签；根据所述基础html标签，确定至少一个扩展html标签，并在所述网页源码数据中，查找与所述扩展html标签匹配的扩展节点；获取与所述扩展节点对应的文本数据作为所述扩展键值对。可选的，键值块确定子模块，具体可以用于：定位所述键值对集中的键值对在所述目标网页中的页面位置；将页面位置连续的至少两个键值对合并入同一个键值块中。可选的，键值块识别模块320，还可以包括：键值对过滤子模块，用于在对所述键值对集合中包括的键值对进行合并处理，得到所述至少一个键值块之后，按照键值对过滤规则，对所述至少一个键值块中包括的键值对进行过滤处理；键值块过滤子模块，用于按照键值块过滤规则，对所述至少一个键值块进行过滤处理。可选的，主体值识别模块330具体可以用于：如果确定当前处理的目标键值块为主键值块，且所述网页源码数据中包括满足第一标签条件的实体页节点，则按照实体页评分规则，判断所述目标网页是否为实体页；若是，则将与所述实体页节点对应的文本数据作为所述目标键值块的主体值；其中，所述主键值块为与所述网页源码数据对应的至少一个键值块中包含键值对数量最多的一个键值块。可选的，主体值识别模块330具体可以用于：根据当前处理的目标键值块在所述目标网页中的页面位置，在所述网页源码数据中向前查找满足第二标签条件的强样式节点；如果查找到所述强样式节点，且所述强样式节点的xpath同所述目标键值块对应的xpath不一致，则将与所述强样式节点对应的文本数据作为所述目标键值块的主体值。可选的，主体值识别模块330具体可以用于：将当前处理的目标键值块中包括的键值对的键名，与设定的白名单进行匹配；如果确定所述目标键值块中包括的目标键名与所述白名单匹配，则获取与所述目标键名对应的目标键值，作为所述目标键值块的主体值。所述实体关系数据的生成装置，还可以包括：查询式获取模块，用于在获取与目标网页对应的网页源码数据之后，在搜索引擎的点击展示日志中，获取与所述目标网页的统一资源定位符对应的至少一个查询式，并将获取的所述至少一个查询式与所述网页源码数据进行关联；相应的，主体值识别模块330可以包括：分词确定子模块，用于如果确定当前处理的目标键值块为主键值块，则根据所述网页源码数据关联的所述至少一个查询式中各个分词的词频，确定目标分词；节点查找子模块，用于在所述网页源码数据中查找文本数据与所述目标分词满足相似度条件的至少一个查询式节点；主体值确定子模块，用于如果查找到的查询式节点的xpath同当前处理的目标键值块对应的xpath不相同，且在所述目标网页中，所述查询式节点的页面位置与所述目标键值块的页面位置满足设定距离条件，则将所述查询式节点的文本数据作为所述目标键值块的主体值。可选的，分词确定子模块，具体可以用于：对所述至少一个查询式进行分词处理，并计算各所述分词的词频；如果根据词频计算结果，确定至少两个分词满足词拼接条件，则将所述至少两个分词拼接生成新的分词，并更新与所述新的分词对应的词频；如果根据词频对各分词的排序结果确定出的第一顺位分词与第二顺位分词之间的词频差值满足词频阈值条件，则将所述第一顺位分词作为所述目标分词。可选的，主体值识别模块330具体可以用于：根据所述目标网页的统一资源定位符，确定与所述目标网页对应的目标站点；获取预存的与所述目标站点对应的至少一个候选模板，并通过所述候选模板识别与当前处理的键值块对应的主体值；其中，所述目标站点中的候选模板是对所述目标站点的多个网页进行键值对识别后，通过识别结果生成的。可选的，实体关系数据的生成装置，还可以包括：模板过滤模块，用于在所述网页源码数据中，识别出与所述至少一个键值块对应的主体值之后，采用至少一个统计校验模板，和/或至少一个规则校验模板，根据与所述至少一个键值块对应的主体值，对所述至少一个键值块进行过滤。可选的，实体关系数据的生成装置，还可以包括：主体值获取模块，用于在与所述目标网页的统一资源定位符对应的目标站点中的各个网页中，分别获取识别出的与键值块对应的主体值作为处理主体值；模板构造模块，用于如果xpath相同的目标处理主体值的数量超过第一数量阈值，以及根据所述目标主体值的xpath，以及与所述目标主体值分别对应的键值块，构造至少一个备选统计校验模板；键值块获取模块，用于获取与备选统计校验模板分别对应的键值块；模板确定模块，用于如果与一个目标备选统计校验模板对应的多个键值块中相同键值块的数量超过第二数量阈值，则在所述备选统计校验模板中删除该目标备选统计校验模板，以得到所述统计校验模板。可选的，数据生成模块340，具体可以用于：分别将所述键值块中包括的各个键值对，与所述键值块对应的主体值进行组合，构造三元组数据；将所述三元组数据中包括的键名作为主客体关系值，与键名对应的键值作为客体值，以生成所述实体关系数据。上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。实施例四图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12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4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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22进行。并且，计算机设备12还可以通过网络适配器20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20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12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。处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的实体关系数据的生成方法：获取与目标网页对应的网页源码数据；在所述网页源码数据中，识别出至少一个键值块，其中，所述键值块中包括至少一个键值对；在所述网页源码数据中，识别出与所述至少一个键值块对应的主体值；根据所述键值块以及与所述键值块对应的主体值，生成与所述目标网页对应的实体关系数据。实施例五本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的实体关系数据的生成方法：获取与目标网页对应的网页源码数据；在所述网页源码数据中，识别出至少一个键值块，其中，所述键值块中包括至少一个键值对；在所述网页源码数据中，识别出与所述至少一个键值块对应的主体值；根据所述键值块以及与所述键值块对应的主体值，生成与所述目标网页对应的实体关系数据。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机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。计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。当前第1页12当前第1页12