新闻中文本地域信息标签的抽取

这里主要是基于规则的新闻地域提取方法，这里简要记录一下思路。

首先我们拥有了地域信息数据库，并且标注了省市的layer层信息。主要思路是利用nlp库，分词得到标有地名属性词，在于地域数据库匹配。

第一步，提取正文分词得到标注为地名的词语。

第二步，匹配地域数据库。

按照数据库的分类有

省：一级

市：二级

区、县：三级

算法伪代码：code指当前城市的key,pcode则是其上级城市的key。

case1：只出现一个,地域。->列出所有可能的<code,pcode> 例如只出现朝阳，则列出<朝阳，辽宁>,<朝阳，北京>

   如果，分词出现，朝阳，北京，南京。则结果为<北京-朝阳> <江苏-南京>。

case2：多地域。

for1 依次循环遍历地域信息列表。

按照出现最多的地域，依次列出<code1，pcode1>，<code2 , pcode2>.....

for2 循环所有的code1...code2...

if (其它有地域的code等于此pcode)    

则列出<code，pcode>。根据此pcode,查找ppcode.

当下次for1循环遍历到此pcode的时候，continue略过。

此过程会产出"code->code->code"格式 （为目表类型）。

else  

列出自身code，pcode。

项目中使用了FudanNLP做的地名抽取换成其它库也ok，最终效果正确率90%以上。