[發(fā)明專利]一種基于擴充語料庫神經(jīng)網(wǎng)絡(luò)的政策文件信息提取方法

有效

• 申請?zhí)枺?/td>: 202011033636.8
• 申請日: 2020-09-27
• 公開（公告）號: CN112257442B
• 公開（公告）日: 2023-01-24
• 發(fā)明（設(shè)計）人: 李軍鋒;廖敏;張磊;馮梅;向彥任;李濟;萬勤;陳喬松;曹宏劍;胡高浩
• 申請（專利權(quán)）人: 重慶生產(chǎn)力促進中心;重慶郵電大學(xué)
• 主分類號: G06F40/295
• 分類號: G06F40/295;G06F18/214;G06N3/045;G06N3/0442;G06N3/08
• 代理公司: 重慶西南華渝專利代理有限公司 50270
• 代理人: 郭桂林

本發(fā)明提供了一種基于擴充語料庫神經(jīng)網(wǎng)絡(luò)的政策文件信息提取方法，包括：構(gòu)建政策文件語料庫；基于構(gòu)建的政策文件語料庫進行模型訓(xùn)練以生成政策文件信息提取模型；利用政策文件信息提取模型對目標(biāo)政策文件進行提取。本發(fā)明的方法能夠在政策文件含有大量特定的表達方式、用詞措辭和專業(yè)性詞匯等情況下，有效的識別實體，更精準(zhǔn)的提取文件信息。

技術(shù)領(lǐng)域

本發(fā)明屬于自然語言處理技術(shù)領(lǐng)域，更具體地講，涉及一種基于擴充語料庫神經(jīng)網(wǎng)絡(luò)的政策文件信息提取方法。

背景技術(shù)

政策文件是指國家黨政機關(guān)等部門或組織，以正式標(biāo)準(zhǔn)化的語言文字，對在一定時期內(nèi)需要達到的目標(biāo)、完成的任務(wù)、遵循的原則、采取的步驟以及實施的方式等進行規(guī)定的文字材料，例如通知、規(guī)劃、實施方案等。黨政機關(guān)的相關(guān)職能部門需要對收到的政策文件進行研究解讀，對文件核心內(nèi)容進行通知轉(zhuǎn)發(fā)，或進一步提出符合本地實際情況的實施細則并督促落實。

目前，利用自然語言處理技術(shù)提取文件信息得到了廣泛的應(yīng)用，讓計算機代替人力去完成文件信息提取、文件分類、信息存檔及轉(zhuǎn)發(fā)等重復(fù)且繁瑣的工作，大幅提升了工作效率。政策文件屬于文件中的一種，同樣可以利用自然語言處理技術(shù)對政策文件信息進行提取。

在當(dāng)前的現(xiàn)有技術(shù)中，對政策文件信息提取主要包括以下兩個方面的不足。一方面，現(xiàn)有語料庫包含的政策文件語料不專業(yè)，含有大量與政策文件相關(guān)性較低的語料；另一方面，使用現(xiàn)有開源語料庫訓(xùn)練出來的模型，對政策文件進行信息提取的時候效果并不理想，主要的問題表現(xiàn)在無法正確劃分實體。例如，在對同一機構(gòu)或部門不同的名稱（全稱、簡稱、一個機構(gòu)多塊牌子等）無法識別為統(tǒng)一實體；名稱特殊或名稱較長的專項計劃被識別為兩個或多個實體并出現(xiàn)歧義；部分部門領(lǐng)導(dǎo)同志的姓名識別有誤并出現(xiàn)歧義等等。這些歧義或錯誤信息會對下一步的文件分類、轉(zhuǎn)發(fā)等工作造成困難。具體來說，例如，中華人民共和國工業(yè)和信息化部是該部門的全稱，但是政策文件中的其他稱謂，如工業(yè)和信息化部、工信部、國家航天局、國家原子能機構(gòu)等名稱都指該部門。在現(xiàn)有的信息提取技術(shù)中，當(dāng)文件中出現(xiàn)全稱、簡稱共用，或在不同文件中對涉及到該部門的不同職責(zé)領(lǐng)域時使用別名時，會將他們識別為不同實體，降低了文件信息提取和分類的準(zhǔn)確性，加大了文件轉(zhuǎn)發(fā)的工作量，降低了工作效率。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的不足，本發(fā)明的目的之一在于解決上述現(xiàn)有技術(shù)中存在的一個或多個問題。例如，本發(fā)明的目的之一在于提供一種關(guān)鍵字抽取效率以及準(zhǔn)確率均較高的基于擴充語料庫神經(jīng)網(wǎng)絡(luò)的政策文件信息提取方法。

本發(fā)明提供了一種基于擴充語料庫神經(jīng)網(wǎng)絡(luò)的政策文件信息提取方法，包括以下步驟：構(gòu)建政策文件語料庫；基于構(gòu)建的政策文件語料庫進行模型訓(xùn)練以生成政策文件信息提取模型；利用政策文件信息提取模型對目標(biāo)政策文件進行提取，其中，構(gòu)建政策文件語料庫包括：對現(xiàn)有開源語料庫進行篩選，保留與政策文件相關(guān)性大于80%的語料，并將現(xiàn)有開源語料庫中的其它語料刪除；收集現(xiàn)有政策文件，整理分類后得到政策文件常用詞語語料集、政府各部門領(lǐng)導(dǎo)名單語料集以及政策文件目錄語料集，并對現(xiàn)有政策文件中出現(xiàn)的一機構(gòu)對應(yīng)多名稱的語料進行標(biāo)注；對政策文件常用詞語語料集、政府各部門領(lǐng)導(dǎo)名單語料集以及政策文件目錄語料集定期更新并加入篩選后的現(xiàn)有開源語料庫中，得到初始政策文件語料庫；對包含政策文件的網(wǎng)頁進行爬取，人工閱讀后提取政策文件信息并將其加入初始政策文件語料庫，得到擴充后政策文件語料庫；對擴充后政策文件語料庫進行標(biāo)注，完成政策文件語料庫的構(gòu)建。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果至少包含以下中的至少一項：

（1）本發(fā)明的提取方法能夠在政策文件含有大量特定的表達方式、用詞措辭、專業(yè)性詞匯、復(fù)雜實體名等情況下，有效的識別實體，更精準(zhǔn)的提取文件框架及文件信息，能夠?qū)⑷藦慕庾x文件內(nèi)容的工作中解脫出來，從而把人力更多地投入到對文件內(nèi)容的研究和落實等工作中去；