[發明專利]一種文本信息提取方法及計算機可讀存儲介質

在審

• 申請號: 201711251951.6
• 申請日: 2017-12-01
• 公開（公告）號: CN108197099A
• 公開（公告）日: 2018-06-22
• 發明（設計）人: 朱敬華;肖龍源;蔡振華;李稀敏;劉曉葳;譚玉坤
• 申請（專利權）人: 廈門快商通信息技術有限公司
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06F17/30
• 代理公司: 廈門仕誠聯合知識產權代理事務所(普通合伙) 35227
• 代理人: 樂珠秀

本發明涉及文本處理技術領域，本發明提供了一種文本信息提取方法，所述方法應用于合同文本中付款信息的提取，其中所述付款信息包含金額信息及付款方式，具體包含步驟：從所述合同文本中分別提取出與所述金額信息和所述付款方式相關的語句；從所述金額信息相關的語句中提取出所述金額信息，包括基于預設條件隨機場模型對與所述金額信息相關的語句進行序列化標注，基于特定標注獲取所述金額信息；從所述付款方式相關的語句中提取出所述付款方式，包括：對所述付款方式相關的語句進行句法分析；在所述句法分析結果上進行語義角色標注；基于預設的推理邏輯獲取所述付款方式。通過所述方法可保證合同文本付款信息的提取的準確性。

技術領域

本發明關于文本處理技術領域，尤其涉及一種文本信息提取方法及計算機可讀存儲介質。

背景技術

書面語言是指人們在書寫和閱讀文章時所使用的語言，它是在口語的基礎上發展來的，是在文字產生之后才出現的，通過文字及書面語言的表現形式可對所需表達或者記錄的信息進行記錄保存。

文本，是指書面語言的表現形式，從文學角度說，通常是具有完整、系統含義的一個句子或多個句子的組合。一個文本可以是一個句子、一個段落或者一個篇章。廣義“文本”：任何由書寫所固定下來的任何話語。狹義“文本”：由語言文字組成的文學實體，代指“作品”，相對于作者、世界構成一個獨立、自足的系統。簡單來說，人們日常工作生活中使用到的使用文字記載的文獻、文書等都屬于文本。傳統的文本一般是以紙張作為載體進行保存。

文本也是計算機的一種文檔類型，該類文檔主要用于記載和儲存文字信息，而不是圖像、聲音和格式化數據。常見的文本文檔的擴展名有.txt、.doc.、.docx、.wps等。

計算機技術的應用范圍越來越廣泛和深入，電子文本的應用也越來越廣泛，各類文本類型都可以在網絡上獲取得到。尤其是一些具備固定格式要求的文書，例如各種合同、協議、證明文件等，都可以從網絡上獲取到同類型的范本，再根據實際應用情況進行調整，用戶便可進行使用。

隨著大數據時代的到來，數據的處理和分析都需依賴于歷史文本數據，對于上述有固定格式要求的文書來說，不僅需要提取出同類型文本的結構化特征，以整體梳理相關的信息，還需針對用戶自行填寫或者補充的信息進行獲取和識別，才能清晰識別每一份文本的特征。

面臨這種復雜的處理技術，有許多技術難題需要解決，其中，如何準確識別用戶輸入的信息內容，以更正確、清晰的對文本內容進行識別就是其中一個急需解決的難題。尤其在合同文本領域，其中涉及的金額、數量、付款方式等根據實際情況填寫的內容，往往會由于各用戶的用語習慣、表述方式不同，而出現同一概念對應不同內容的問題，若只是單純的對相應內容進行提取，而不進行識別，可能會發生很多錯誤。

發明內容

基于上述技術問題，本發明提供了一種文本信息提取方法，所述方法應用于合同文本中付款信息的提取，其中所述付款信息包含金額信息及付款方式，具體包含步驟：

從所述合同文本中分別提取出與所述金額信息和所述付款方式相關的語句；

從所述金額信息相關的語句中提取出所述金額信息，包括基于預設條件隨機場模型對與所述金額信息相關的語句進行序列化標注，基于特定標注獲取所述金額信息；

從所述付款方式相關的語句中提取出所述付款方式，包括：

對所述付款方式相關的語句進行句法分析；

在所述句法分析結果上進行語義角色標注；

基于預設的推理邏輯獲取所述付款方式。

在一實施例中，所述從所述金額信息相關的語句中提取出所述金額信息更包含確定所述金額信息相關的語句中包含的金額分類，具體包含對所述金額信息相關的語句進行句法分析，并基于預設的短文本分類器獲取所述金額分類。