[發明專利]一種基于文檔結構與深度學習的金融類公告信息抽取方法

有效

• 申請號: 201811549314.1
• 申請日: 2018-12-18
• 公開（公告）號: CN109857990B
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 黃勝;王博博;李勝
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F40/14
• 分類號: G06F40/14;G06F40/289;G06F40/30;G06F40/211
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.一種基于文檔結構與深度學習的金融類公告信息抽取方法，其特征在于，該方法具體包括以下步驟：

S1：生成文檔結構樹：利用自定義文檔結構樹算法將公告文本轉化為層級分明樹形結構；

S2：抽取節點信息：基于文檔結構樹設計便捷的查找節點信息的方法，利用規則提取樹的節點信息；

S3：抽取信息句：對于已抽取到的節點信息，定義句子觸發詞集，在句子觸發詞集的基礎上，拓展包含觸發詞集的局部句子結構規則，從而抽取符合規則的信息句；

S4：訓練詞向量：預訓練上下文的詞向量，并利用卷積神經網絡(ConvolutionalNeural Network，CNN)訓練字符詞向量；

S5：抽取結構化信息：構建基于雙向長短時記憶神經網絡-條件隨機場(Bidirectional-Long Short-Term Memory-Conditional Random Field，Bi-LSTM-CRF)的深度學習模型，訓練該模型進行字段識別；

步驟S1中，所述自定義文檔結構樹生成算法具體為：

輸入：公告文本；

輸出：深度序列表示的樹結構；每個節點node包括：節點標題title、節點深度d_i和節點內容text；d_i越大表示層級越高，node_n^m表示第n個節點的第m個子節點；

S11：若目錄存在，提取公告文本自帶的目錄，記錄各個標題的節點深度d_i，其中d_i＝1,2,…,n，添加至樹結構；若不存在目錄，記正文第一條符合節點標題規則為rule₁，繼續遍歷正文找到所有符合rule規則的段落，視為一級節點，添加至樹結構；生成初步樹，記為tree₀；

S12：按序遍歷tree₀，取相鄰節點node_n，node_n+1，其中d_n＝d_n+1，記錄兩節點在節點標題規則集中對應的節點標題規則及節點深度d，生成已有節點規則-深度集{rule-d}₀；

S13：遍歷{node_n，node_n+1}之間的文本內容，若某段落符合節點標題規則集中的節點標題規則rule_x且不在{rule-d}₀中，記為node_n的子節點node_n^m，深度d_m＝d_n+1，追加至以node_n為根節點的子樹tree₁中，rule_x和d_m加入{rule-d}₁中，執行步驟S14；若在{rule-d}₀中，重復步驟S12；

S14：若某段落符合節點標題規則集中的節點標題規則rule_x，若在{rule-d}₀中，重復步驟S12；rule_x不在{rule-d}₀且不在{rule-d}₁中，記node_m^k，加入tree₁，深度d_k＝max(d:{rule-d}₁)+1，rule_x和d_k加入{rule-d}₁中；rule不在{rule-d}₀且在{rule-d}₁中，記node_n^m+1，深度d_m+1＝d:{rule_x-d}，加入tree₁；

S15：將步驟S14得到的各節點子樹tree₁按順序及深度加入tree₀中，并將正文目錄之前的“聲明”、“重大提示”的章節補充至tree₀中，將各個節點的節點內容補充到樹中，生成一顆完整的文檔結構樹。