[發(fā)明專利]文本信息自動(dòng)抽取方法、裝置、可讀存儲(chǔ)介質(zhì)和電子設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 201911311207.X
• 申請(qǐng)日: 2019-12-18
• 公開(kāi)（公告）號(hào): CN111126058B
• 公開(kāi)（公告）日: 2023-09-12
• 發(fā)明（設(shè)計(jì)）人: 卜國(guó)卿;劉路輝;張巍;占翼;李正;盧艷民;茅廷
• 申請(qǐng)（專利權(quán)）人: 中國(guó)外匯交易中心（全國(guó)銀行間同業(yè)拆借中心）
• 主分類號(hào): G06F40/289
• 分類號(hào): G06F40/289;G06F40/30;G06F16/33;G06F16/35
• 代理公司: 北京睿派知識(shí)產(chǎn)權(quán)代理有限公司 11597
• 代理人: 劉鋒

本發(fā)明實(shí)施例公開(kāi)了一種文本信息自動(dòng)抽取方法、裝置、可讀存儲(chǔ)介質(zhì)和電子設(shè)備，本發(fā)明實(shí)施例通過(guò)基于Xpath屬性以及語(yǔ)義理解對(duì)目標(biāo)文本內(nèi)包含的信息進(jìn)行抽取，在抽取過(guò)程中融合了多種信息抽取方式，一定程度上解決了現(xiàn)有技術(shù)面臨的實(shí)體局限、關(guān)系局限和語(yǔ)義局限性等問(wèn)題，進(jìn)而實(shí)現(xiàn)抽取內(nèi)容復(fù)雜、表述多變的文本中的信息，顯著的節(jié)約了人工成本、提高了文本信息抽取的準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種文本信息自動(dòng)抽取方法、裝置、可讀存儲(chǔ)介質(zhì)和電子設(shè)備。

背景技術(shù)

在互聯(lián)網(wǎng)時(shí)代，信息資訊的傳播速度越來(lái)越快。人們?cè)诓檎倚畔r(shí)，可以獲取信息的渠道越來(lái)越多，獲取信息的數(shù)量也越來(lái)越大。但因?yàn)楂@取信息的數(shù)量大，內(nèi)容多，在龐大的信息群中獲取自己需要的內(nèi)容是一件耗費(fèi)時(shí)間和精力的事情。同時(shí)，對(duì)于時(shí)效性要求較高的信息，很難及時(shí)的獲取需要的信息內(nèi)容。現(xiàn)有的信息抽取方法為基于預(yù)設(shè)的規(guī)則在獲取的信息中抽取需要的內(nèi)容，但這種方法因預(yù)設(shè)的規(guī)則不靈活有一定的局限性，在信息內(nèi)容復(fù)雜、表述方式多變的情況下，無(wú)法正確實(shí)現(xiàn)抽取，會(huì)導(dǎo)致信息抽取結(jié)果不準(zhǔn)確的問(wèn)題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實(shí)施例公開(kāi)了一種文本信息自動(dòng)抽取方法、裝置、可讀存儲(chǔ)介質(zhì)和電子設(shè)備，旨在實(shí)現(xiàn)抽取內(nèi)容復(fù)雜、表述多變的文本信息，提高信息抽取的準(zhǔn)確度。

第一方面，本發(fā)明實(shí)施例公開(kāi)了一種文本信息自動(dòng)抽取方法，其特征在于，所述方法包括：

接收抽取請(qǐng)求，所述抽取請(qǐng)求中包括文本信息；

根據(jù)抽取請(qǐng)求確定目標(biāo)文本，所述目標(biāo)文本中包括至少一個(gè)概念信息和與所述概念信息對(duì)應(yīng)的至少一個(gè)實(shí)體信息；

通過(guò)抽取模型對(duì)所述目標(biāo)文本進(jìn)行抽取，得到至少一個(gè)概念信息以及與所述各概念信息對(duì)應(yīng)的實(shí)體信息，其中，所述抽取模型包括通過(guò)定位目標(biāo)文本位置進(jìn)行信息抽取的Xpath抽取子模型和通過(guò)語(yǔ)義識(shí)別進(jìn)行信息抽取的文本抽取子模型；

以鍵值對(duì)方式輸出所述各概念信息和所述各概念信息對(duì)應(yīng)的實(shí)體信息至預(yù)定的數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)。

進(jìn)一步地，所述根據(jù)抽取請(qǐng)求確定目標(biāo)文本包括：

獲取所述抽取請(qǐng)求中的文本信息，所述文本信息中包括至少一個(gè)概念信息和與所述概念信息對(duì)應(yīng)的至少一個(gè)實(shí)體信息；

將所述文本信息加入待執(zhí)行的任務(wù)隊(duì)列；

根據(jù)加入所述任務(wù)隊(duì)列的時(shí)間順序依次從所述任務(wù)隊(duì)列中獲取待處理的文本信息作為目標(biāo)文本。

進(jìn)一步地，所述方法還包括：

監(jiān)控所述抽取模型對(duì)所述目標(biāo)文本進(jìn)行抽取的過(guò)程以確定對(duì)應(yīng)的任務(wù)處理狀態(tài)；

反饋所述任務(wù)處理狀態(tài)。

進(jìn)一步地，所述Xpath抽取子模型包括頁(yè)面元素抽取層、數(shù)組抽取層和鍵值對(duì)抽取層；

所述文本抽取子模型包括規(guī)則抽取層、分類抽取層、長(zhǎng)短期記憶網(wǎng)絡(luò)抽取層和語(yǔ)義抽取層。

進(jìn)一步地，所述通過(guò)抽取模型對(duì)所述目標(biāo)文本進(jìn)行抽取，得到至少一個(gè)概念信息以及與所述各概念信息對(duì)應(yīng)的實(shí)體信息包括：

對(duì)所述目標(biāo)文本進(jìn)行預(yù)處理，得到至少一個(gè)特征信息文本；

通過(guò)所述Xpath抽取子模型和文本抽取子模型中的至少一個(gè)對(duì)所述各特征信息文本進(jìn)行抽取，得到對(duì)應(yīng)的抽取信息；

通過(guò)預(yù)設(shè)的處理規(guī)則對(duì)所述各特征信息文本對(duì)應(yīng)的抽取信息進(jìn)行處理得到所述目標(biāo)文本對(duì)應(yīng)的概念信息以及與所述各概念信息對(duì)應(yīng)的實(shí)體信息。

進(jìn)一步地，所述對(duì)所述目標(biāo)文本進(jìn)行預(yù)處理，得到至少一個(gè)特征信息文本包括：