[發明專利]表格信息提取方法、裝置和存儲介質

有效

• 申請號: 201811280729.3
• 申請日: 2018-10-30
• 公開（公告）號: CN109710771B
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 李雙婕;黃昉;梁海金;張揚;朱勇
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/25
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 榮甜甜;劉芳

1.一種表格信息提取方法，其特征在于，包括：

確定待提取表格的表格類型，所述表格類型包括單實體類型和多實體類型，所述單實體類型是指通過多行或多列表達一個實體的多個屬性的表格類型，所述多實體類型是指通過多行和多列表達多個實體的多個屬性的表格類型；

根據所述待提取表格的表格類型，提取所述待提取表格中的主體信息、客體信息以及所述主體和所述客體之間的關聯信息，所述主體信息、客體信息以及所述主體和所述客體之間的關聯信息，用于構建知識圖譜；

當所述待提取表格的表格類型為單實體類型，所述提取所述待提取表格中的主體信息、客體信息以及所述主體和所述客體之間的關聯信息，包括：

在所述待提取表格的表格簡介區域、所述待提取表格所在網頁的文字描述區域或者所述待提取表格所在網頁的文檔標題中確定所述待提取表格中的主體信息，所述表格簡介區域包含所述待提取表格的主體信息；

當所述待提取表格的表格類型為多實體類型，所述提取所述待提取表格中的主體信息、客體信息以及所述主體和所述客體之間的關聯信息，包括：

在所述待提取表格中確定主體信息所在的行/列，在所述主體信息所在的行/列中，確定所述待提取表格的至少一個主體信息。

2.根據權利要求1所述的方法，其特征在于，當所述待提取表格的表格類型為單實體類型，所述提取所述待提取表格中的主體信息、客體信息以及所述主體和所述客體之間的關聯信息，還包括：

在所述待提取表格中確定關聯信息所在的列/行，在所述關聯信息所在的列/行中，確定所述待提取表格的至少一個關聯信息以及所述關聯信息對應的客體信息。

3.根據權利要求1所述的方法，其特征在于，當所述待提取表格的表格類型為多實體類型，所述提取所述待提取表格中的主體信息、客體信息以及所述主體和所述客體之間的關聯信息，還包括：

在所述待提取表格中確定關聯信息所在的列/行，在所述關聯信息所在的列/行中，確定所述待提取表格的至少一個關聯信息；

在所述待提取表格中確定每一對關聯信息和主體信息對應的客體信息。

4.根據權利要求1-3任一項所述的方法，其特征在于，所述確定待提取表格的表格類型之前，所述方法還包括：

確定所述待提取表格中的表格簡介區域，

確定所述待提取表格中的表頭區域，所述表頭區域為所述待提取表格中的主體信息/客體信息所在的行/列；

所述確定待提取表格的表格類型，包括：

根據所述待提取表格中的表頭區域，確定所述待提取表格的表格類型。

5.根據權利要求4所述的方法，其特征在于，所述確定所述待提取表格中的表格簡介區域，確定所述待提取表格中的表格簡介區域包括：

當所述待提取表格中的一行/一列中的所有單元格屬于同一個合并單元格，則確定所述行/列為所述待提取表格的表格簡介區域。

6.根據權利要求4所述的方法，其特征在于，所述確定所述待提取表格中的表頭區域，包括：

對于所述待提取表格中的一行/一列中的所有單元格，當所述一行/一列中的所有單元格符合以下中至少一項預設條件時，確定所述行/列為所述待提取表格的表頭區域；所述預設條件包括：

一行/一列中單元格格式為預設表頭格式的單元格比例大于第一預設比例；或者，

一行/一列中在表頭類超文本標記語言(Hyper Text Markup Language，HTML)標簽下的單元格比例大于第二預設比例；或者，

一行/一列中單元格內容屬于預定義關聯關系的單元格比例大于第三預設比例。