[發明專利]信息提取方法、裝置、計算機設備及可讀存儲介質

在審

• 申請號: 202010909654.1
• 申請日: 2020-09-02
• 公開（公告）號: CN112052305A
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 李賢杰;王昊;羅水權;劉劍;高寒冰
• 申請（專利權）人: 平安資產管理有限責任公司
• 主分類號: G06F16/31
• 分類號: G06F16/31;G06F16/35;G06F16/36;G06N3/04;G06N3/08
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 程超

本發明公開了信息提取方法、裝置、計算機設備及可讀存儲介質，涉及人工智能領域，包括：獲取待處理文本，對所述待處理文本進行解析，獲得待處理數據；提供一預設數據庫，所述數據庫中包含多個關鍵詞；根據所述待處理文本在所述數據庫中匹配，獲得與所述待處理文本對應的關鍵詞作為待提取信息點；基于所述待提取信息點采用預訓練的信息提取模型對所述待處理數據進行關鍵信息提取，獲得目標信息，基于機器學習的信息提取模型實現對待處理文本中關鍵信息的提取，解決現有對信息中關鍵內容進行提取時，需要人工來寫大量的正則表達式，且后期維護使用費時費力的問題。同時，本發明還涉及區塊鏈技術，本發明可適用于科技金融領域。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種信息提取方法、裝置、計算機設備及可讀存儲介質。

背景技術

在金融領域存在大量的非結構化文檔數據，比如債券的募集說明書，股票的募集說明書，招股說明書等，由于大多篇幅較長且信息種類較多，提取過程很容易出錯，現有技術常用對信息中的關鍵內容進行提取時一般采用正則表達式處理，其通過針對不同范式的信息寫不同的正則表達式來提取信息中的關鍵內容，由于正則表達式是根據特定范式的信息來撰寫的，因此對于少量的、特殊范式的信息，能夠用專門定制的正則表達式來較為快速且準確地提取所需的信息內容。

但是正則表達式無法窮盡信息的各種特殊情況且當面對大量的不同范式的信息文本時，需要人工來寫大量的正則表達式，具有一定的專業門檻，耗時耗力，同時正則規則在添加新規則后，會破壞之前好用的規則，在后期維護使用時費時費力。

發明內容

本發明的目的是提供一種信息提取方法、裝置、計算機設備及可讀存儲介質，用于解決現有對信息中關鍵內容進行提取時，需要人工來寫大量的正則表達式，且后期維護使用費時費力的問題。

為實現上述目的，本發明提供一種信息提取方法，包括：

獲取待處理文本，對所述待處理文本進行解析，獲得待處理數據；

將所述待處理數據與預設數據庫中的關鍵詞進行匹配，將匹配得到的與所述待處理文本對應的關鍵詞作為待提取信息點，其中，所述數據庫中預存有多個關鍵詞；

基于所述待提取信息點采用預訓練好的信息提取模型對所述待處理數據進行關鍵信息提取，獲得目標信息。

進一步的，對所述待處理文本進行解析，獲得待處理數據，還包括：

對所述待處理文本進行歸一化處理，獲得第一處理文本；

根據所述待處理文本的類型匹配對應的解析規則，采用所述解析規則對所述第一處理文本進行處理，獲得至少一條第一處理數據。

進一步的，對所述待處理文本進行歸一化處理，獲得第一處理文本；

根據所述待處理文本的類型匹配對應的解析規則，采用所述解析規則對所述第一處理文本進行處理，獲得待處理數據。

進一步的，在所述基于所述待提取信息點、采用預訓練好的信息提取模型對所述待處理數據進行關鍵信息提取前，所述方法還，包括：

獲取訓練樣本，所述訓練樣本包括待提取信息的訓練數據集合、待提取樣本信息點以及樣本提取信息；

將所述待提取樣本信息與各個訓練數據進行拼接，獲得各個訓練數據對應的第一樣本數據；

對各個所述第一樣本數據進行編碼，并采用第一神經網絡對所述編碼后的第一樣本數據進行分類處理，獲得第一樣本數據的分類結果，并基于所述分類結果獲得包含樣本提取信息的第二樣本數據；

采用待提取樣本信息點以及樣本數據拼接后編碼獲得處理向量；

基于所述處理向量采用分類器確定所述待提取樣本信息點對應的目標樣本數據；