[發明專利]一種信息抽取方法及裝置

有效

• 申請號: 201711476786.4
• 申請日: 2017-12-29
• 公開（公告）號: CN108052508B
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 李重勛;王利葉;胡可云;陳聯忠
• 申請（專利權）人: 北京嘉和海森健康科技有限公司
• 主分類號: G06F40/289
• 分類號: G06F40/289
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 王寶筠

本申請實施例公開了一種信息提取方法，根據預設詞庫對預設文本進行分詞，得到第一分詞結果，從第一分詞結果中提取所包括的多個待定詞，從多個待定詞中確定出沒有包含關系的待定詞作為對第一分詞結果的信息提取結果。由于采用了兩次分詞，不僅可以將較長的第一分詞結果提取出來，還可以從較長的第一分詞結果中進一步提取出較短的、不具有包含關系的對第一分詞結果的信息抽取結果，例如從完整的表示手術名稱的詞中提取出表示部位、疾病等信息的詞，一方面增加了提取到的信息量，另一方面，通過第一分詞結果與第一分詞結果的信息抽取結果的結構層次設置，增強了數據結構化效果，有利于數據查詢和定位。本申請實施例還公開了一種信息提取裝置。

技術領域

本申請涉及文本處理領域，尤其涉及一種信息抽取方法及裝置。

背景技術

電子病歷(Electronic Medical Record，EMR)也叫計算機化的病案系統或稱基于計算機的病人記錄。是醫療機構醫務人員對門診住院患者臨床診療和指導干預、使用信息系統生成的文字、符號、圖表、數據、圖形等數字化的醫療服務工作記錄。電子病歷的發展為醫生實時了解患者信息及臨床科研提供了方便。但是目前電子病歷中既有結構化數據也有非結構化數據，而其中一些重要信息大多存在于非結構化數據當中，例如電子病歷中的主訴、現病史、既往史等。因此為了有效利用電子病歷、發掘其中的有用信息就需要將非結構化數據生成結構化數據，該過程即為信息提取。

在信息提取過程中，常常需要基于預設的詞庫對文本進行分詞，以得到有用的信息，例如表示疾病、癥狀、手術等的詞?，F有技術基于最長匹配原則進行分詞，即按照與詞庫中匹配的最長詞進行分詞，但是在很多情況下，該最長詞中還包括其他較短的詞，這些詞也是非常有用的信息，而基于最長匹配原則無法將這些較短的詞也提取出來，因此提取到的信息較少，影響數據結構化的效果。

舉例而言，假設基于最長匹配原則得到分詞結果“膀胱內憩室切除術”，該詞整體屬于一個手術名稱，但是在該詞中，包括部位名稱(膀胱內)、疾病名稱(憩室)以及手術名稱(切除術)，由于“膀胱內憩室切除術”存在于詞庫中，所以若按照最長匹配原則，即便“膀胱內”、“憩室”和“切除術”這三個詞也存在于詞庫中，也無法被提取出來。

發明內容

為了解決現有技術中不能對按照最長匹配原則得到的分詞結果中較多的詞進行提取的技術問題，本申請實施例提供了一種信息提取方法及裝置。

第一方面，本申請實施例提供了一種信息抽取方法，所述方法包括：

根據預設詞庫對預設文本進行分詞，得到第一分詞結果；

基于所述預設詞庫，從所述第一分詞結果中提取包括的多個待定詞，所述多個待定詞不包括所述第一分詞結果；

從所述多個待定詞中確定出沒有包含關系的待定詞作為對所述第一分詞結果的信息抽取結果。

可選的，所述從所述多個待定詞中確定出沒有包含關系的待定詞作為對所述第一分詞結果的信息抽取結果包括：

按照每個待定詞的首字和/或尾字在所述第一分詞結果中的位置，對所述多個待定詞進行排序；

若當前待定詞存在相鄰的下一個待定詞，則判斷所述當前待定詞是否與所述相鄰的下一個待定詞具有包含關系，若否，則將所述當前待定詞和/或所述相鄰的下一個待定詞作為所述信息抽取結果，所述當前待定詞為所述多個待定詞中的其中一個待定詞。

可選的，若所述當前待定詞與所述相鄰的下一個待定詞具有包含關系，則所述方法還包括：

若所述當前待定詞包含所述相鄰的下一個待定詞，則將所述當前待定詞覆蓋所述相鄰的下一個待定詞，并令所述相鄰的下一個待定詞為當前待定詞，執行所述判斷所述當前待定詞是否包含所述相鄰的下一個待定詞的步驟；