[發(fā)明專利]表格信息提取方法、裝置和存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201811280729.3
• 申請日: 2018-10-30
• 公開（公告）號: CN109710771B
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計）人: 李雙婕;黃昉;梁海金;張揚;朱勇
• 申請（專利權(quán)）人: 北京百度網(wǎng)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(chǎn)權(quán)代理有限公司 11205
• 代理人: 榮甜甜;劉芳

本發(fā)明提供一種表格信息提取方法、裝置和存儲介質(zhì)。該方法包括：確定待提取表格的表格類型，表格類型包括單實體類型和/或多實體類型；根據(jù)待提取表格的表格類型，提取待提取表格中的主體信息、客體信息以及主體和客體之間的關(guān)聯(lián)信息。本實施例提供的表格信息提取方法、裝置和存儲介質(zhì)，首先識別待提取信息的表格的類型，然后根據(jù)表格類型在表格中提取信息，可準(zhǔn)確提取網(wǎng)頁表格中的內(nèi)容，避免了需為不同結(jié)構(gòu)的網(wǎng)頁配置不同提取模板，降低了網(wǎng)頁表格信息提取的成本，提高了表格信息提取效率，具有廣泛的適用范圍。

技術(shù)領(lǐng)域

本發(fā)明涉及網(wǎng)絡(luò)信息處理技術(shù)領(lǐng)域，尤其涉及一種表格信息提取方法、裝置和存儲介質(zhì)。

背景技術(shù)

知識圖譜是結(jié)構(gòu)化的語義知識庫，用于以符號形式描述物理世界中的概念及其相互關(guān)系，其基本組成單位是SPO(主體-關(guān)聯(lián)關(guān)系-客體)三元組，構(gòu)成網(wǎng)狀的知識結(jié)構(gòu)。SPO三元組中，S指示Subject(主體)、O指示Object(客體)、P指示Predicate(S與O之間的關(guān)聯(lián)關(guān)系)。例如，“張三身高為226cm”中，張三為S，226cm為O，身高為P。知識圖譜可以用來更好的查詢復(fù)雜的關(guān)聯(lián)信息，從語義層面理解用戶意圖，提升搜索質(zhì)量。

隨著信息技術(shù)的發(fā)展，互聯(lián)網(wǎng)上的資源越來越豐富。除了非結(jié)構(gòu)化數(shù)據(jù)外，還有大量的網(wǎng)絡(luò)表格存在，這些網(wǎng)絡(luò)表格較文本而言，具有更好的結(jié)構(gòu)化特性和更多的內(nèi)容信息。在知識圖譜構(gòu)建中，從網(wǎng)頁的表格中進(jìn)行表格信息提取，是一種不可或缺的信息提取手段。如何讓機(jī)器更好地理解網(wǎng)絡(luò)表格的語義成為提高表格搜索覆蓋率和準(zhǔn)確率的重大挑戰(zhàn)。

目前的網(wǎng)頁表格信息提取通常依靠人工基于網(wǎng)頁內(nèi)容配置特定的提取模板，來進(jìn)行表格信息提取，因此存在信息提取成本高、效率低的問題，而且需為不同結(jié)構(gòu)的網(wǎng)頁配置不同提取模板，也存在適用范圍較小的問題。

發(fā)明內(nèi)容

本發(fā)明提供一種表格信息提取方法、裝置和存儲介質(zhì)，可解決現(xiàn)有的表格信息提取方法存在信息提取成本高、效率低、適用范圍較小的問題。

本發(fā)明的第一方面提供一種表格信息提取方法，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/或多實體類型；

根據(jù)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(guān)聯(lián)信息。

可選的，當(dāng)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(guān)聯(lián)信息，包括：

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

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

可選的，當(dāng)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(guān)聯(lián)信息，包括：

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

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；

在所述待提取表格中確定每一對關(guān)聯(lián)信息和主體信息對應(yīng)的客體信息。

可選的，所述確定待提取表格的表格類型之前，所述表格信息提取方法還包括：

確定所述待提取表格中的表格簡介區(qū)域，所述表格簡介區(qū)域包含所述待提取表格的主體信息；