[發(fā)明專利]化學(xué)表達(dá)式提取方法、裝置及設(shè)備

在審

• 申請?zhí)枺?/td>: 201911331077.6
• 申請日: 2019-12-20
• 公開（公告）號: CN111159337A
• 公開（公告）日: 2020-05-15
• 發(fā)明（設(shè)計）人: 易顯維
• 申請（專利權(quán)）人: 中國建設(shè)銀行股份有限公司;建信金融科技有限責(zé)任公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35;G06F40/289;G06K9/62
• 代理公司: 北京市蘭臺律師事務(wù)所 11354
• 代理人: 張峰

本發(fā)明提供一種化學(xué)表達(dá)式提取方法、裝置及設(shè)備，涉及數(shù)據(jù)處理技術(shù)領(lǐng)域。本發(fā)明可以通過獲取化學(xué)題文本數(shù)據(jù)，對化學(xué)題文本數(shù)據(jù)進行分詞操作，得到化學(xué)題文本數(shù)據(jù)對應(yīng)的至少一個分詞，并確定至少一個分詞中，與預(yù)設(shè)的化學(xué)表達(dá)式聚類中心之間的距離小于預(yù)設(shè)閾值的分詞為目標(biāo)分詞，然后提取目標(biāo)分詞，可以得到化學(xué)題文本數(shù)據(jù)中的化學(xué)表達(dá)式，從而實現(xiàn)基于聚類分析從化學(xué)題文本數(shù)據(jù)中提取化學(xué)表達(dá)式。相對于現(xiàn)有的化學(xué)表達(dá)式提取方法而言，可以有效減少人工標(biāo)注過程所耗費的大量的時間和成本，另外，還可以有效提高化學(xué)表達(dá)式提取的速度。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，具體而言，涉及一種化學(xué)表達(dá)式提取方法、裝置及設(shè)備。

背景技術(shù)

網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)的題庫中的化學(xué)題目中經(jīng)常包含大量化學(xué)表達(dá)式，將文本中的化學(xué)表達(dá)式提取出來，建立化學(xué)表達(dá)式與化學(xué)題目之間的全文索引，可以使得前端通過搜索某個化學(xué)表達(dá)式即可檢索到對應(yīng)的化學(xué)題目。

目前，從化學(xué)題目中提取化學(xué)表達(dá)式的方法通常為：人工對化學(xué)題目中的化學(xué)表達(dá)式進行標(biāo)注，然后根據(jù)人工標(biāo)注的信息，從化學(xué)題目中提取化學(xué)表達(dá)式。例如，可以對某個化學(xué)題目中的化學(xué)表達(dá)式對應(yīng)的文本內(nèi)容標(biāo)注一個標(biāo)簽，該標(biāo)簽可以用于指示該部分內(nèi)容為化學(xué)表達(dá)式，然后，可以從化學(xué)題目中提取標(biāo)注有該標(biāo)簽的文本內(nèi)容，即可提取到對應(yīng)的化學(xué)表達(dá)式。

但是，上述現(xiàn)有的化學(xué)表達(dá)式提取方法中，人工標(biāo)注過程耗費了大量的時間和成本。

發(fā)明內(nèi)容

本發(fā)明提供一種化學(xué)表達(dá)式提取方法、裝置及設(shè)備，可以以更低的成本從化學(xué)題目中提取化學(xué)表達(dá)式。

第一方面，本發(fā)明實施例提供一種化學(xué)表達(dá)式提取方法，該方法包括：

獲取化學(xué)題文本數(shù)據(jù)；對化學(xué)題文本數(shù)據(jù)進行分詞操作，得到化學(xué)題文本數(shù)據(jù)對應(yīng)的至少一個分詞；確定至少一個分詞中，與預(yù)設(shè)的化學(xué)表達(dá)式聚類中心之間的距離小于預(yù)設(shè)閾值的分詞為目標(biāo)分詞；提取目標(biāo)分詞，得到化學(xué)題文本數(shù)據(jù)中的化學(xué)表達(dá)式。

可選地，所述確定至少一個分詞中，與預(yù)設(shè)的化學(xué)表達(dá)式聚類中心之間的距離小于預(yù)設(shè)閾值的分詞為目標(biāo)分詞之前，該方法還包括：

獲取樣本化學(xué)題文本數(shù)據(jù)；采用預(yù)設(shè)算法對樣本化學(xué)題文本數(shù)據(jù)進行聚類分析，得到樣本化學(xué)題文本數(shù)據(jù)對應(yīng)的多個聚類中心；從多個聚類中心中，確定得到化學(xué)表達(dá)式聚類中心。

可選地，所述采用預(yù)設(shè)算法對樣本化學(xué)題文本數(shù)據(jù)進行聚類分析，包括：

采用K均值聚類算法對樣本化學(xué)題文本數(shù)據(jù)進行聚類分析。

可選地，所述對化學(xué)題文本數(shù)據(jù)進行分詞操作，包括：

采用隱馬爾可夫模型，對化學(xué)題文本數(shù)據(jù)進行分詞操作。

可選地，所述確定至少一個分詞中，與預(yù)設(shè)的化學(xué)表達(dá)式聚類中心之間的距離小于預(yù)設(shè)閾值的分詞為目標(biāo)分詞，包括：

對至少一個分詞中的任一個分詞：計算分詞與預(yù)設(shè)的化學(xué)表達(dá)式聚類中心之間的距離；判斷分詞與化學(xué)表達(dá)式聚類中心之間的距離是否小于預(yù)設(shè)閾值；若是，則確定分詞為目標(biāo)分詞。

可選地，所述計算分詞與預(yù)設(shè)的化學(xué)表達(dá)式聚類中心之間的距離，包括：

根據(jù)歐式空間坐標(biāo)確定化學(xué)表達(dá)式聚類中心的中心位置；將分詞轉(zhuǎn)換為對應(yīng)的詞向量；采用余弦相似度算法計算詞向量與中心位置之間的距離，得到分詞與化學(xué)表達(dá)式聚類中心之間的距離。

可選地，所述將分詞轉(zhuǎn)換為對應(yīng)的詞向量，包括：

根據(jù)預(yù)設(shè)深度網(wǎng)絡(luò)，將分詞轉(zhuǎn)換為對應(yīng)的詞向量；其中，預(yù)設(shè)深度網(wǎng)絡(luò)包括隱含層，隱含層用于輸出分詞對應(yīng)的詞向量。

可選地，該方法還包括：

將化學(xué)表達(dá)式保存于數(shù)據(jù)庫的化學(xué)表達(dá)式字段中。