具体实施方式

下面结合实施例对本发明实施中的技术方案进行清楚，完整的描述，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的一种基于自然语言处理的新闻坐标匹配方法，包括如下步骤：

步骤一、通过软件工具从高德地图上爬取POI点的数据以及省市区街道的数据建立地址坐标数据库，所述数据包括每个POI点的名称、坐标以及其所处的省市区街道名称；通过软件工具从百度地图及百度百科分别获取各个新闻单位的名称以及其服务范围建立新闻单位数据库，所述新闻单位包括报社，通讯社，广播电台，电视台，新闻杂志社，新闻纪录电影制片厂，以及新闻图片社等；通过人工训练的方式，从10000条新闻中人为的标注出事件发生的地点，同时记录下事件发生的地点附近的特征词，并以不同特征词出现的频率建立特征词数据库；所述特征词包括动词、副词、形容词、标点符号中的一种或多种；

步骤二、使用软件工具从各大网站获取新闻数据，这些数据包括新闻文章内容，新闻标题，新闻单位；

步骤三、利用ICTCLAS中文分词工具对中文新闻文本进行分词，从中识别出地名，音译地名，机构团体名，处所词，其他专名等可以表示地点的词汇组成候选事件地点数组；

步骤四、根据附近的所有特征词在特征词数据库中的频率之和，对候选事件地点数组中的每一项进行特征词匹配，得到候选事件地点频率数组；

步骤五、根据数组中每一项在文章中的位置，进行加权匹配，出现在标题的项*i，出现在文章中的项*j，依照位置先后顺序递减h，得到候选事件地点加权频率数组；其中，i的取值范围为[0.5，1)，j的取值范围为[0.3，i)，h的取值范围为[0.001，0.03]；

步骤六、取候选事件地点加权频率数组中值最高的一项作为事件的实际发生地点，将实际发生地点记作最终点；

步骤七、从地址坐标数据库中对最终点进行地名匹配，筛选出所有可能是最终点的POI点组成候选地址数组；

步骤八、依次从候选事件地点数组中选取与最终点所处位置最近的候选事件地点，记距离间隔符号数为m，记距离段落数为n，遍历POI点数组，计算每个POI点离选取的候选事件地点最近的距离k，将(n+1)*(m+1)*k的值计入每个POI点的权值，得每个POI点的权值之和数组，则该数组中数值最小的点的坐标即是匹配到的新闻坐标。

实施例：

步骤一、省略；

步骤二、使用软件工具获取新闻，通过新闻链接获取数据，例如可获取数据如下：

新闻标题：A地打造高质量发展超越先行区

新闻单位：A网站

新闻内容：

A地在某会议室举行了一场会议开幕。

近五年内取得的成绩显著

第一年，A地一次次在省内领跑，并获得多项称誉……

5年来，A地的综合实力大跨越，A指标跃居全省第二位；B指标位居全省第一。

创新动能大迸发，重点领域综合改革全方位开展，累计推进10大领域150 项624小项改革工作，承接了12项一级项目、19项二级项目。市场主体突破 13万户。国家高新技术企业从156家增加至597家。

宜居环境大升级，累计实施A项改造55片152万平方米、B项改造265 个，改造提升7个C项目。

2021年至2025年规划令人振奋

开局之年，A地高起点、高站位谋划创新之举，着力打造全省领先的高质量发展超越先行区：A示范区、B样板区。计划5年后，率先实现多领域再迈上一个大台阶。

要聚焦首发，建成2个百亿品牌标杆。打造H核心中心，大力发展A区域、B区域、C区域。

要聚焦首创，培育多个领头企业。精准引进一批高层次、高技能人才。

要聚焦首位，巩固扩大原有优势，奋力打造A核心区、B核心区、C核心区等更多的核心区域。

步骤三、利用分词工具对以上数据进行分词，标题分词结果为{A地，先行区}，新闻文本分词结果为{A地在某会议室}，{A地，各项称誉}，{A地}， {A社区}，{A地，先行区，A示范区，B样板区}，{H核心中心，A区域， B区域，C区域}，{A核心区，B核心区，C核心区}；

从中识别出可以表示地点的词汇为[A地，A地在某会议室，A地，A地， A社区，A地，A示范区，H核心中心，A区域，B区域]，即为候选事件地点数组；

步骤四、根据附近的所有特征词在特征词数据库中的频率之和，对每一项进行特征词匹配；

第一项“A地”附近的特征词为“打造”，在特征词数据库中的频率为0.01；

第二项“A地在某会议室”附近的特征词为“在”、“开幕”，在特征词数据库中的频率为0.3、0.01；

第三项“A地”附近的特征词为“，”、“在”，在特征词数据库中的频率为0.2、0.3；

第四项“A地”附近的特征词为“，”、“的”，在特征词数据库中的频率为0.2、0.2；

第五项“A社区”附近的特征词为“，”、““”，在特征词数据库中的频率为0.2、0.03；

第六项“A地”附近的特征词为“，”、“谋划”，在特征词数据库中的频率为0.2、0.01；

第七项“A示范区”附近的特征词为“的”、“。”，在特征词数据库中的频率为0.2、0.05；

第八项““H核心中心”附近的特征词为“打造”、“，”，在特征词数据库中的频率为0.01、0.2；

第九项“A区域”附近的特征词为“发展”、“、”，在特征词数据库中的频率为0.01、0.05；

第十项“B区域”附近的特征词为“发展”、“、”，在特征词数据库中的频率为0.01、0.05；

步骤五、设i＝0.99，j＝0.5，h＝0.01，对每一项进行加权匹配；

第一项为0.01*0.99＝0.0099；

第二项为(0.3+0.01)*0.5＝0.155；

第三项为(0.2+0.3)*0.49＝0.245；

第四项为(0.2+0.2)*0.48＝0.192；

第五项为(0.2+0.03)*0.47＝0.1081；

第六项为(0.2+0.01)*0.46＝0.0966；

第七项为(0.2+0.05)*0.45＝0.1125；

第八项为(0.01+0.2)*0.44＝0.0924；

第九项为(0.01+0.05)*0.43＝0.0258；

第十项为(0.01+0.05)*0.42＝0.0252；

合并其中地点相同的项，即[{A地:0.5435}，{A地在某会议室:0.155}，{A 社区:0.1081}，{A示范区:0.1125}，{H核心中心:0.0924}，{A区域:0.0258}， {B区域:0.0252}]为加权频率数组；

步骤六、取该数组中数值最高的一项，即{A地:0.5435}中的“A地”为事件发生的实际地点，下面记为最终点；

步骤七、从地址坐标数据库中对最终点进行地名匹配，得候选地址数组[a 地的A地，b地的A地，c地的A地，d地的A地，e地的A地]；

步骤八、依次从候选事件地点数组中选取与最终点所处位置最近的候选事件地点，例取“A社区”，此时距离最终点最近的符号数m＝37，段落数n＝2，

计算候选地址数组中每一项离“A社区”最近的距离，得{a地的A 地:898.6}，{b地的A地:1324.4}，{c地的A地:1649.1}，{d地的A地:0.148}， {e地的A地:1185.8}；根据公式(n+1)*(m+1)*k可得候选地址数组中每一项的权值，即{a地的A地:102440.4}，{b地的A地:150981.6}，{c地的A 地:187997.4}，{d地的A地:16.872}，{e地的A地:135181.2}，依次取“A地在某会议室”、“A社区”、“A示范区”、“H核心中心”、“A区域”、“B区域”进行计算，

权值相加后(具体计算过程略)可得其中数值最小的是“d地的A地”，即为匹配到的新闻发生地点，该地点的坐标{lng:119.3,lat:26.08}即为匹配到的新闻坐标。

最终，通过各个步骤的配合，能够识别新闻发生的主要地点，并将新闻中的事件地点展示在地图上；且当新闻中的事件地点存在多个同名地点时，也能够判断事件的正确地点。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。