现频度高、但并不是词的常用字组，例如"这一"、"之一"、"有的"、"我的"、"许多的"等，并且 对常用词的识别精度差，时空开销大。实际应用的统计切词系统都要使用一部基本的切词 词典（常用词词典)进行串匹配分词，同时使用统计方法识别一些新的词，即将串频统计和 串匹配结合起来，既发挥匹配分词切分速度快、效率高的特点，又利用了无词典分词结合上 下文识别生词、自动消除歧义的优点。
[0136] 基于上述切词策略，本发明实施例提供了实施步骤S102的可选方案，在该方案中， 可以对Ρ0Ι名字集合中的各Ρ0Ι名字进行正向或逆向切词处理，得到切词后的多个分词，随 后将切词后顺序的第一个分词的匹配度符合阈值(如大于或等于100%、95%等）的各Ρ0Ι名 字聚为一类。
[0137] 或者，可以对Ρ0Ι名字集合中的各Ρ0Ι名字进行正向或逆向切词处理，得到切词后 的多个分词，随后将切词后逆序的第一个分词的匹配度符合阈值（如大于或等于100%、 95%等）的各Ρ0Ι名字聚为一类。
[0138] 在本发明一实施例中，若预设阈值取值为100%，则将切词后顺序的第一个分词相 同的各Ρ0Ι名字聚为一类。例如，Ρ0Ι名字集合中包含Ρ0Ι名字为"北京专利事务所"、"北京专 利有限公司"、"南京商标事务所"，对各Ρ0Ι名字进行正向切词处理，将切词后顺序的第一个 分词相同的各Ρ0Ι名字聚为一类，即将顺序的第一个分词为"北京"的Ρ0Ι名字"北京专利事 务所"、"北京专利有限公司"聚为一类，将顺序的第一个分词为"南京"的Ρ0Ι名字"南京商标 事务所"聚为一类。需要说明的是，此处仅是列举，并不限制本发明。
[0139] 在本发明一实施例中，若预设阈值取值为100%，则将切词后逆序的第一个分词相 同的各Ρ0Ι名字聚为一类。仍以上面的例子为例，将切词后逆序的第一个分词相同的各Ρ0Ι 名字聚为一类，即将逆序的第一个分词为"事务所"的Ρ0Ι名字"北京专利事务所"、"南京商 标事务所"聚为一类，将逆序的第一个分词为"有限公司"的Ρ0Ι名字"北京专利有限公司"聚 为一类。
[0140] 在步骤S104中确定各类中Ρ0Ι名字的最长和/或最短字符长度，可以确定各类中 Ρ0Ι名字的最长字符长度，也可以确定各类中Ρ0Ι名字的最短字符长度，还可以确定各类中 Ρ0Ι名字的最长和最短字符长度，本发明并不做限制。进一步，可以统计各类中的各Ρ0Ι名字 的字符长度，以确定各类中Ρ0Ι名字的最长和/或最短字符长度。
[0141] 上文步骤S106中生成各类的Ρ0Ι数据条目，本发明提供了两种可选的方案，下面将 分别进行详细介绍。
[0142] 方案一，基于唯一标识符和键值方案。即，计算各类中Ρ0Ι名字的指定位置上的分 词的唯一标识符，进而以该分词的唯一标识符为键，以该类中Ρ0Ι名字的最长和/或最短字 符长度为值，生成各类的Ρ0Ι数据条目。这里，唯一标识所占存储空间要小于分词本身所占 存储空间，以分词的唯一标识符为键，而不直接使用分词本身为键，可以进一步减少Ρ0Ι词 典的数据量。如表1所示，各类中Ρ0Ι名字的指定位置上的分词的唯一标识符为T1、T2…… Τη，第i(i = l、2……η)个分词对应的Ρ0Ι名字的最长字符长度为Li，最短字符长度为Si。这 里的指定位置上的分词可以是切词后顺序的第一个分词，也可以是切词后逆序的第一个分
[0143] 表1
[0144]
[0145] 方案二，基于分词的相似词的方案。即，确定各类中Ρ0Ι名字的指定位置上的分词 的一个或多个相似词，进而基于该分词、该分词的一个或多个相似词，以及该类中Ρ0Ι名字 的最长和/或最短字符长度，生成各类的Ρ0Ι数据条目。这里的指定位置上的分词可以是切 词后顺序的第一个分词，也可以是切词后逆序的第一个分词。
[0146] 进一步，在确定各类中Ρ0Ι名字的指定位置上的分词的一个或多个相似词时，可以 对该分词进行切分，将该分词切分为单字，在词库中查找该单字的同音字和/或相似字，进 而基于查找到的该单字的同音字和/或相似字，确定该分词的一个或多个相似词。这样，在 后续使用Ρ0Ι数据条目进行分词匹配时，可以解决输入相似词的情况。例如，用户需要查询 "智汇东方知识产权代理事务所"是否为Ρ0Ι数据，在输入查询词时输入了 "智慧东方"，该查 询词为"智汇东方"的相似词，则使用"智慧东方"仍然可以查询到对应的P0I数据条目。
[0147] 在基于该分词、该分词的一个或多个相似词，以及该类中Ρ0Ι名字的最长和/或最 短字符长度，生成各类的Ρ0Ι数据条目时，可以参照方案一中的实施方式，即，计算该分词以 及该分词的一个或多个相似词各自的唯一标识符，进而以该分词和/或该分词的一个或多 个相似词的唯一标识符为键，以该类中P0I名字的最长和/或最短字符长度为值，生成各类 的Ρ0Ι数据条目。如表2所示，各类中Ρ0Ι名字的指定位置上的分词的唯一标识符为T1、 T2……Tn，各分词的一个或多个相似词的唯一标识符为T11、T12……Tlm，T21、T22……T2m， Tnl、Tn2……Tnm。第i(i = l、2……η)个分词对应的Ρ0Ι名字的最长字符长度为Li，最短字符 长度为Si。
[0148] 表2 「01491
[0150] 在本发明的一实施例中，还可以将包含有各Ρ0Ι名字的各类的Ρ0Ι数据条目建立 Ρ0Ι词典，以备后续查询匹配使用。
[0151] 在本发明的另一实施例中，还可以获取各类中的各Ρ0Ι名字对应的地理数据，进而 将各类中的各Ρ0Ι名字对应的地理数据插入对应的类的P0I数据条目中。
[0152] 通过上文介绍可知，本发明实施例基于各类中Ρ0Ι名字的指定位置上的分词和/或 该分词的一个或多个相似词，以及该类中P0I名字的最长和/或最短字符长度，生成各类的 Ρ0Ι数据条目构建Ρ0Ι词典，其数据量相比于现有技术中通过P0I名字本身建立的词典的数 据量要小，加载到内存时消耗的内存资源少。并且，本发明实施例通过聚类的方式，将切词 后的、指定位置上的分词的匹配度符合阈值的各POI名字聚为一类，通过各类中名字的指定 位置上的分词和/或该分词的一个或多个相似词，以及该类中P0I名字的最长和/或最短字 符长度，来替代该类中的所有P0I名字构建P0I词典，进一步减少了P0I词典的数据量。
[0153] 需要说明的是，以上是利用Ρ0Ι名字集合中的各Ρ0Ι名字，生成各类的Ρ0Ι数据条 目，进而建立Ρ0Ι词典。在实际应用中，还可以以Ρ0Ι地址、电话号码等数据生成各类的Ρ0Ι数 据条目，进而建立P0I词典。
[0154] 下面将介绍利用构建的Ρ0Ι词典对文本中Ρ0Ι数据进行判断的方法，可以发现其在 计算效率和查找效率上的优点。
[0155] 图2示出了根据本发明一个实施例的判断文本中Ρ0Ι数据的方法的流程图。如图2 所示，该方法至少包括以下步骤S202至步骤S208:
[0156]步骤S202，提取待判断的文本串，对待判断的文本串进行切词处理，生成一个或多 个目标分词，将一个或多个目标分词与P0I数据条目进行匹配；
[0157] 步骤S204，当存在一个或多个匹配的Ρ0Ι数据条目时，读取匹配的Ρ0Ι数据条目对 应的字符长度的字段值；
[0158] 步骤S206，基于该目标分词以及该字段值，在待判断的文本串中判断疑似Ρ0Ι名字 片段；
[0159] 步骤S208，从疑似Ρ0Ι名字片段中确定Ρ0Ι数据。
[0160]本发明实施例中，将切词处理后的一个或多个目标分词与Ρ0Ι数据条目进行匹配， 读取匹配的Ρ0Ι数据条目对应的字符长度的字段值，进而基于该目标分词以及该字段值，在 待判断的文本串中判断疑似Ρ0Ι名字片段，使得判断出的疑似Ρ0Ι名字片段更有针对性，能 够排除掉大量的非P0I名字的片段，大大减少了后续的计算量，解决了现有技术中需要将切 词后的相邻字符组成的字符子串去Ρ0Ι名字集合建立的词典中查找，导致查找效率较低的 问题。
[0161] 上文步骤S202中提及的Ρ0Ι数据条目，可以采用前文图1所示的步骤生成，即，对 Ρ0Ι名字集合中的各Ρ0Ι名字进行切词处理，将切词后的、指定位置上的分词的匹配度符合 阈值的各Ρ0Ι名字聚为一类。随后，确定各类中P0I名字的最长和/或最短字符长度，之后基 于各类中Ρ0Ι名字的指定位置上的分词，以及该类中P0I名字的最长和/或最短字符长度，生 成各类的P0I数据条目。
[0162] 这里，基于各类中Ρ0Ι名字的指定位置上的分词以及该类中Ρ0Ι名字的最长和/或 最短字符长度，生成各类的Ρ0Ι数据条目，具体可以采用前文提及方案一或方案二。若采用 前文提及的方案一（即，基于唯一标识符和键值方案）的步骤生成，则步骤S202中将一个或 多个目标分词与Ρ0Ι数据条目进行匹配，即对于各个目标分词，将该目标分词与Ρ0Ι数据条 目进行匹配，其可以实施为计算一个或多个目标分词的唯一标识符，将该目标分词的唯一 标识符与P0I数据条目中作为键的分词的唯一标识符进行匹配。
[0163] 若采用前文提及的方案二（即，基于分词的相似词的方案）的步骤生成，则步骤 S202中将一个或多个目标分词与Ρ0Ι数据条目进行匹配，即对于各个目标分词，将该目标分 词与Ρ0Ι数据条目进行匹配，其可以实施为计算一个或多个目标分词的唯一标识符，将该目 标分词的唯一标识符与Ρ0Ι数据条目中作为键的分词和/或该分词的一个或多个相似词的 唯一标识符进行匹配。
[0164] 进一步，在步骤S206中，该字段值可以是最长字符长度，也可以是最短字符长度， 还可以是最长和最短字符长度。
[0165] 若在生成Ρ0Ι数据条目时，是将切词后顺序的第一个分词的匹配度符合阈值的各 Ρ0Ι名字聚为一类，则步骤S206中基于该目标分词以及该字段值，在待判断的文本串中判断 疑似Ρ0Ι名字片段，本发明提供了可选的方案，即，在待判断的文本串中，顺序确定从该目标 分词开始的、长度大于或等于最短字符长度的文本子串，作为疑似Ρ0Ι名字片段;或者，在待 判断的文本串中，顺序确定从该目标分词开始的、长度小于或等于最长字符长度的文本子 串，作为疑似Ρ0Ι名字片段;或者，在待判断的文本串中，顺序确定从该目标分词开始的、长 度大于或等于最短字符长度且小于或等于最长字符长度的文本子串，作为疑似Ρ0Ι名字片 段。
[0166] 例如，待判断的文本串为"我在北京专利事务所上班，每个月有工作量的要求，但 上班时间比较灵活"，对该待判断的文本串进行切词处理，将生成的一个或多个目标分词与 Ρ0Ι数据条目进行匹配。匹配到与目标分词"北京"匹配的Ρ0Ι数据条目"北京10/7"，其中"北 京"为Ρ0Ι数据条目中的键，"10"为最长字符长度，"7"为最短字符长度，此时，从与目标分词 "北京"匹配的Ρ0Ι数据条目中查找存储Ρ0Ι名字的字符长度的字段，并读取字段值为"10/ 7"。进一步，从该待判断的文本串，顺序确定从该目标分词开始的、长度大于或等于最短字 符长度且小于或等于最长字符长度的文本子串，即"北京专利事务所"、"北京专利事务所上 班"为疑似Ρ0Ι名字片段。需要说明的是，此处仅是示意性的，并不限制本发明。
[0167] 若在生成Ρ0Ι数据条目时，是将切词后逆序的第一个分