随着互联网技术的迅速发展,互联网对人们生活的影响力越来越大,用户对从互联网中获得全面、权威、地域性信息的需求越来越强烈,比如生活在深圳的人对深圳的信息的兴趣更大。这就提出了新的互联网应用需求,如何满足不同城市的人对所在城市知识的需求,如何对海量的数据分类并挖掘出满足条件的词条是本课题的主要研究内容。本文以自然语言处理的相关技术对百度百科近300万词条进行中文信息处理,主要包括两个方面的内容:一是构建百科知识检索系统;二是构建城市百科分类系统。1.构建百科知识检索系统:主要包括百度百科数据爬虫、网页净化、正排索引、倒排索引及数据检索。所实现的网络爬虫爬取了近300万百度百科词条;建立了相应的检索系统,对索引的粒度进行了优化,采取了以段落为索引和检索的基本单位,实验证明在其它条件相同的情况下,该系统的检索精度比以文章为索引单位的系统提高了近50%。2.构建城市百科分类系统:主要包括文本的城市空间分类和百科知识条目分类。本文对特征词提取方法和文本分类算法做了改进,实验证明改进后的特征提取方法比使用单一的特征提取算法的效果得到较大提高,平均F值提高了近10%。针对特定条件下的分类需求,使用不同的分类算法并进行改进得到了较好的实验效果。最后,我们将上述分类算法应用到了城市百科知识库自动构建系统。百科知识检索系统和城市百科分类系统的协同工作完成了城市百科知识库的自动构建。本文所介绍的技术都已经应用到了海天园城市百科知识库自动构建系统中。