[發(fā)明專利]簽名信息提取方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201811268593.4
• 申請(qǐng)日: 2018-10-29
• 公開（公告）號(hào): CN109460551B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 鄒晶;岳永鵬
• 申請(qǐng)（專利權(quán)）人: 北京知道創(chuàng)宇信息技術(shù)股份有限公司
• 主分類號(hào): G06F40/216
• 分類號(hào): G06F40/216;G06F40/295;G06F18/243
• 代理公司: 北京超凡宏宇專利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 徐麗

本申請(qǐng)實(shí)施例提供一種簽名信息提取方法及裝置，通過采用正則表達(dá)式分別提取每條語句中的結(jié)構(gòu)化信息，能夠非常便捷且快速地抽取出規(guī)則的簽名信息。提取非結(jié)構(gòu)化信息則使用機(jī)器學(xué)習(xí)分類模型與字符粒度序列標(biāo)注的形式，能夠解決傳統(tǒng)方式中使用郵件模板比對(duì)得到抽取信息帶來的局限性，在實(shí)施過程中通過分別提取每條語句的TF?IDF詞頻特征和標(biāo)注序列特征，并將提取得到的TF?IDF詞頻特征和標(biāo)注序列特征分別輸入到地址二分類模型和字符粒度序列標(biāo)注模型中，得到每條語句中的人名信息和地址信息，如此，通過提取TF?IDF詞頻特征能夠完整識(shí)別出地址信息，并利用標(biāo)注序列特征，極大減輕由于錯(cuò)誤分詞對(duì)人名信息識(shí)別帶來的負(fù)面影響，從而精準(zhǔn)地對(duì)郵件簽名信息進(jìn)行提取。

技術(shù)領(lǐng)域

本申請(qǐng)涉及計(jì)算機(jī)技術(shù)領(lǐng)域，具體而言，涉及一種簽名信息提取方法及裝置。

背景技術(shù)

傳統(tǒng)的郵件簽名提取方法是一般采用郵件模板比對(duì)形式，但是其具有較大的局限性，一般只適用于標(biāo)準(zhǔn)格式的郵件簽名抽取，如果需要抽取的郵件與標(biāo)準(zhǔn)模板不匹配，則對(duì)提取結(jié)果的準(zhǔn)確性會(huì)造成極大的影響。另外的做法是通過對(duì)郵件全文進(jìn)行分詞，并根據(jù)每個(gè)詞及前后文的特征，來提取郵件中姓名等實(shí)體信息，但是該方式受到分詞工具的較大影響，往往存在分詞后提取的姓名等實(shí)體信息部分丟失，或者不完善，或者存在多余詞語的情況，從而也會(huì)對(duì)提取結(jié)果的準(zhǔn)確性會(huì)造成極大的影響。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)中的上述不足，本申請(qǐng)的目的在于提供一種簽名信息提取方法及裝置，以解決或者改善上述問題。

為了實(shí)現(xiàn)上述目的，本申請(qǐng)實(shí)施例采用的技術(shù)方案如下：

第一方面，本申請(qǐng)實(shí)施例提供一種簽名信息提取方法，應(yīng)用于電子設(shè)備，所述電子設(shè)備中配置有簽名信息提取模型，所述簽名信息提取模型包括結(jié)構(gòu)化信息抽取模型和非結(jié)構(gòu)化信息抽取模型，所述方法包括：

獲取待抽取簽名信息的文本數(shù)據(jù)，并對(duì)所述文本數(shù)據(jù)進(jìn)行分句，得到多條語句；

依次將每條語句輸入到所述結(jié)構(gòu)化信息抽取模型中，通過所述結(jié)構(gòu)化信息抽取模型中的各個(gè)正則表達(dá)式分別提取每條語句中的結(jié)構(gòu)化信息；

分別提取每條語句的TF-IDF詞頻特征和標(biāo)注序列特征，并將提取得到的TF-IDF詞頻特征和標(biāo)注序列特征分別輸入到所述非結(jié)構(gòu)化信息抽取模型中的地址二分類模型和字符粒度序列標(biāo)注模型中，得到每條語句中的非結(jié)構(gòu)化信息，其中，所述非結(jié)構(gòu)化信息包括人名信息和地址信息；

根據(jù)所述結(jié)構(gòu)化信息和所述非結(jié)構(gòu)化信息生成簽名信息提取結(jié)果。

可選地，所述分別提取每條語句的TF-IDF詞頻特征和標(biāo)注序列特征的步驟，包括：

對(duì)所述文本數(shù)據(jù)中的每條語句進(jìn)行完全分詞，得到每條語句的完全分詞結(jié)果，并提取所述完全分詞結(jié)果的TF-IDF詞頻特征；

同時(shí)對(duì)所述文本數(shù)據(jù)中的每條語句進(jìn)行字符粒度拆分，得到拆分后的每條語句對(duì)應(yīng)的各個(gè)詞語；

分別提取每個(gè)詞語的序列標(biāo)注特征，以得到每條語句的標(biāo)注序列特征。

可選地，所述將提取得到的TF-IDF詞頻特征和標(biāo)注序列特征分別輸入到所述非結(jié)構(gòu)化信息抽取模型中的地址二分類模型和字符粒度序列標(biāo)注模型中，得到每條語句中的非結(jié)構(gòu)化信息的步驟，包括：

將所述TF-IDF詞頻特征輸入到所述地址二分類模型中，得到對(duì)應(yīng)的地址信息；

將所述標(biāo)注序列特征輸入到所述字符粒度序列標(biāo)注模型中，得到對(duì)應(yīng)的實(shí)體標(biāo)注序列，并對(duì)所述實(shí)體標(biāo)注序列中各個(gè)實(shí)體標(biāo)簽進(jìn)行識(shí)別，根據(jù)識(shí)別結(jié)果輸出對(duì)應(yīng)的人名信息。

可選地，所述獲取待抽取簽名信息的文本數(shù)據(jù)的步驟之前，所述方法還包括：

訓(xùn)練所述地址二分類模型；以及

訓(xùn)練字符粒度序列標(biāo)注模型。