[發明專利]一種基于行業規則和TextCNN模型的通用工程信息提取的方法

在審

• 申請號: 202010417610.7
• 申請日: 2020-05-18
• 公開（公告）號: CN111611794A
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 巫懷政;王藝;賈高陽;鄭龍
• 申請（專利權）人: 眾能聯合數字技術有限公司
• 主分類號: G06F40/279
• 分類號: G06F40/279;G06F40/10;G06F40/169;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 張偉

本發明涉及一種基于行業規則和TextCNN模型的通用工程信息提取的方法，包括以下步驟：對工程招標文件內容中的主要工程信息進行標注，訓練一個textCNN深度學習模型，實現對未標注的工程招標文件中的主要工程信息的識別與提取；對樣本數據進行預處理，使用BRAT或YEDA文本標注工具，將關鍵信息標注出來；利用embedding層，將每個詞轉成相同長度的向量；接入卷積層；接著是池化層，使用max pooling，取每個特征圖的最大值作為輸出；最后是softmax層，輸出層設為多個神經元。采用TextCNN的方式進行信息提取，其結構很簡單，參數也較少，非常適合行業內的場景中只有關鍵信息部分的語序需要考慮的問題。

技術領域

本發明涉及一種一種基于行業規則和TextCNN模型的通用工程信息提取的方法，屬于軟件技術領域。

背景技術

現有的工程主要信息識別與提取技術幾乎都是通過正則方式，不同的工程信息使用不同的匹配規則，從工程招標內容中依次獲取。雖然工程招標文件內容格式具有強規則特點，但傳統的正則方式依然會導致下列問題：1、需要花費大量時間研究招標文件，設計匹配規則；2、無法利用語義信息獲得所需信息；3、具有較高的遺漏率；4、針對新的內容需要不斷維護和更新匹配規則，進而規則系統將越來越復雜，規則之間也會相互依賴，最終出現無法匹配的情況出現。

發明內容

本發明的目的是為了解決上述問題，提供一種基于行業規則和TextCNN模型的通用工程信息提取的方法。

為了實現上述目的，本發明的技術方案如下，一種基于行業規則和TextCNN模型的通用工程信息提取的方法，包括以下步驟：

（1）通過對工程招標文件內容中的主要工程信息進行標注，訓練一個textCNN深度學習模型，實現對未標注的工程招標文件中的主要工程信息的識別與提取。

（2）先對樣本數據進行預處理，包括但不限于去除標點，英文，分詞等操作。

（3）使用BRAT或YEDA文本標注工具，將關鍵信息標注出來。

（4）先利用embedding 層，將每個詞轉成相同長度的向量，這樣就將文本轉換成了矩陣的形式。

（5）然后接入卷積層，filter 的長度可自定義，寬度等于詞向量的長度。這樣處理，每次計算 n 個詞向量的卷積，類似于 n-gram 模型，考慮了多個詞之間的順序信息。

（6）接著是池化層，使用max pooling，取每個特征圖的最大值作為輸出。

（7）最后是softmax 層，由于是多分類問題，輸出層設為多個神經元。

有益效果：

本發明的信息提取方法可以讓業務人員更全面的了解工程信息，從而判斷是否存在商機可能性以及去現場談判的必要性，替代了傳統的查詢政府官網的建筑類信息，已有的工地承包商和人工走訪工地的方式，減少了業務人員的時間精力消耗以及交通費；使用TextCNN的方式進行信息提取，其結構很簡單，參數也較少，非常適合行業內的場景中只有關鍵信息部分的語序需要考慮的問題，TextCNN通過合理的filter設置恰好可以做到這一點。可以自動提取關鍵信息 不需要匹配標簽等強匹配。

附圖說明

圖1為本發明的流程圖。

具體實施方式

為了加深對本發明的理解，下面結合具體實施例做詳細的說明。

如圖1所示，為本發明的流程圖，本發明公開的一種基于行業規則和TextCNN模型的通用工程信息提取的方法，包括以下步驟：