[發明專利]兼容多種語言的文檔信息精準提取系統

在審

• 申請號: 202011004234.5
• 申請日: 2020-09-22
• 公開（公告）號: CN112132214A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 劉秀萍;王程
• 申請（專利權）人: 劉秀萍
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/10;G06F8/38;G06F8/20;G06F40/289;G06F40/295
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.兼容多種語言的文檔信息精準提取系統，其特征在于，提出一種通用高效可行的兼容多種語言的文檔信息精準提取架構，并基于該架構實現了兼容多種語言的文檔信息精準提取系統，包括以下幾個方面：

第一，提出基于支持向量機的文檔信息提取算法，并以多語言文檔分類的實際應用設計和分析算法參數，改良優化算法過程，改進提高算法的主動學習能力；

第二，通過對基于機器學習的信息提取流程解析改進，提出通用高效可行的兼容多種語言的信息精準提取架構，該架構主要分為兩個層次，分別為前臺展示層和后臺邏輯處理層，該架構主要分為三個模塊，分別為GUI模塊、前置處理模塊、主動學習模塊，GUI模塊為前臺展示層，將信息提取過程以圖形用戶界面的方式展示給用戶，提高用戶的操作效率，提升系統交互性，前置處理模塊和主動學習模塊為后臺邏輯處理層，采用模塊化設計與個性化定制，增強系統的擴展能力與語言移植能力；

第三，基于通用高效可行的兼容多種語言的信息精準提取架構，采用python語言實現了兼容多種語言的文檔信息精準提取系統，在精確度、召回率、F值、時間性能四個評估指標及語言移植能力上表現出非常好的效果；

兼容多種語言的文檔信息精準提取系統：一是基于支持向量機的文檔信息提取算法，包括支持向量機及其核函數、基于支持向量機的文檔信息提取算法設計與實驗；二是兼容多種語言的文檔信息精準提取系統的設計，包括基于支持向量機的信息提取流程、文檔信息提取圖形用戶界面、機器學習算法與特征選擇、文檔信息精準提取系統的架構，三是兼容多種語言的文檔信息精準提取系統的實現，包括實現圖形用戶界面GUI、實現前置處理模塊、實現主動學習模塊、實現基于規則的提取模塊。

2.根據權利要求1所述的兼容多種語言的文檔信息精準提取系統，其特征在于，基于支持向量機的文檔信息提取算法中最重要的是對參數向量e的求解，求出向量e能很容易的計算出分隔超平面的方程，本發明參數向量e的求解算法應用能提速的啟發式方法：首先通過一個外層循環對第一個e的值進行選擇，并且其選擇過程在以下二種方式下交替進行，一種方式是在所有數據集上進行單遍掃描，另外一種方式是在非邊界e上進行單遍掃描；另外，對非邊界e值進行遍歷時，第一步必須構造包含其中所有值的列表，然后才對該列表進行遍歷，同時該遍歷忽略掉已知且不會改變的e值；在選擇第一個e值后，算法通過一個內層循環選擇第二個e值，選擇方式是通過最大化步長獲取第二個e值的；本發明基于支持向量機的文檔信息提取機器學習算法對參數e進行求解的具體步驟：

第1步，定義數據結構basicDataClass給所有數據賦予初始值，其中包括樣本集矩陣X、樣本集分類結果矩陣labelMat、容錯率tolerRatio、樣本集矩陣的行數n，參數向量alpha，參數g及n行2列的矩陣eCache，該矩陣第一列表征的是第二列的值是否有效；

第2步，初始化第1步定義的數據結構，其中向量alpha為零向量，g為0，初始化當前迭代次數curLooNum、迭代次數上限值maxLooNum、用于記錄alpha是否已進行優化的變量alphaOptimized及用于標記選擇過程是否是全集掃面方式fullScaner，其中curLooNum初始值為0，alphaOptimized的初始值為0，fullScaner為True；

第3步，若滿足外層循環條件，此時的迭代次數curLooNum小于設定的上限次數maxLooNum，并且alphaOptimized大于零或fullScaner為True，則轉向第4步；否則，跳出外循環，并返回向量alpha和參數g的結果值，算法結束；

第4步，將優化狀態alphaOptimized設定為0，并判斷全集掃描的狀態fullScaner的值是否為True，如果為True，則轉向第5步，否則轉向第6步；

第5步，在所有數據集上進行單遍掃描，內層循環，對參數向量alpha進行優化，其中第二個alpha的選擇采用啟發式方法，即從中選擇步長最大的一個；如果alpha對優化成功，則將優化狀態變量alphaOptimized設定為1，之后將curLooNum加1，轉向第7步；

第6步，首先找到非邊界alpha值列表，再在非邊界alpha上進行一次遍歷，內層循環，對參數向量alpha進行優化，其中第二個alpha的選擇采用啟發式方法，即從中選擇步長最大的一個，如果alpha對優化成功，則將優化狀態變量alphaOptimized設定為1，之后將curLooNum加1，轉向第7步；

第7步，如果全集掃描狀態fullScaner為True，則將fullScaner設定為False，轉向第3步；否則，判斷優化狀態變量alphaOptimized是否為0，如果為0，則將fullScaner設定為True，并轉向第3步。