[發明專利]一種多語言時間抽取方法、裝置、計算機裝置及計算機可讀存儲介質

在審

• 申請號: 202011204304.1
• 申請日: 2020-11-02
• 公開（公告）號: CN112287681A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 王志超;左凌峰;赫中翮;李敬;鄒媚;舒露
• 申請（專利權）人: 湖南星漢數智科技有限公司
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F40/263;G06F40/103;G06F16/387
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明適用于互聯網技術領域，提供了一種多語言時間抽取方法、裝置、計算機裝置及計算機可讀存儲介質，該方法包括：接收文本，獲取基準時間；根據預先設置的正則關系對文本進行遍歷，得到時間字符片段；在時間字符片段的數量大于1的情況下，根據每一時間字符片段在文本的起始下標及結束下標，判斷是否存在第一時間字符片段被第二時間字符片段所包含；在存在第二時間字符的情況下，從時間字符移除第一時間字符片段，得到剩余的時間字符片段；根據基準時間，將剩余的時間字符片段調整為標準時間信息。本發明提供的多語言時間抽取方法，可對中文、英文、西班牙文進行時間抽取，設置多種正則關系進行時間抽取，提高時間抽取覆蓋面、抽取的準確度。

技術領域

本發明屬于文本處理領域，尤其涉及一種多語言時間抽取方法、裝置、計算機裝置及計算機可讀存儲介質。

背景技術

目前大多數文本的時間表達形式不一致，各語言的時間表達方式復雜，不僅僅有標準時間格式的時間表達，還有其他不標準的時間表達。現有技術中，在針對文本進行時間抽取時，往往只能識別常見的幾種時間格式，通過固定的格式去獲取時間文本，導致現有時間抽取技術存在時間抽取不全面、易遺漏，無法獲取偏移的時間文本的技術問題。

發明內容

本發明實施例提供一種多語言時間抽取方法，旨在解決現有技術中多語言文字數字轉阿拉伯數字存在轉換耗時久，效率低的問題。

本發明是這樣實現的，一種多語言時間抽取方法，包括：

接收文本，獲取基準時間；

根據預先設置的正則關系對所述文本進行遍歷，得到時間字符片段；

在所述時間字符片段的數量大于1的情況下，獲取每一時間字符片段在所述文本的起始下標及結束下標；

根據所述每一時間字符片段在所述文本的起始下標及結束下標，判斷是否存在第一時間字符片段被第二時間字符片段所包含；在存在所述第二時間字符的情況下，從所述時間字符移除所述第一時間字符片段，得到剩余的時間字符片段；

根據所述基準時間，將所述剩余的時間字符片段調整為標準時間信息。

可選的，所述根據所述基準時間，將所述剩余的時間字符片段調整為標準時間信息，包括以下過程：

判斷所述剩余的時間字符片段是否滿足預設標準時間格式，在所述剩余的時間字符片段不滿足所述預設標準時間格式的情況下，識別所述剩余的時間字符片段的關鍵字，根據所述基準時間及所述識別的關鍵字，生成所述標準時間信息。

可選的，所述識別所述剩余的時間字符片段的關鍵字，根據所述基準時間及所述識別的關鍵字，生成所述標準時間信息，包括以下過程：

根據預先設置的轉換關系，將所述識別的關鍵字映射成對應的日期數，對所述基準時間增加或減少所述日期數，生成所述標準時間信息。

可選的，所述將所述文本遍歷預先設置的正則關系進行匹配，得到時間字符片段之前，所述多語言時間抽取方法，還包括以下過程：

分別根據中文文本規則、英文文本規則及西班牙文本規則設置所述正則關系，所述正則關系包括精準類正則關系、世紀年代類正則關系、時間偏移類正則關系，所述精準類正則關系用于匹配包含年、月、日關鍵字的時間字符片段，所述世紀年代類正則關系用于匹配包含世紀、年代關鍵字的時間字符片段，所述時間偏移類正則關系用于匹配隱含時間信息的關鍵詞、和/或日期單位關鍵詞的時間字符片段。

可選的，所述根據所述基準時間，將所述剩余的時間字符片段調整為標準時間信息之后，所述多語言時間抽取方法還包括以下步驟：

將所述標準時間信息轉換為毫秒數，并將所述毫秒數、所述毫秒數對應的時間字符片段、正則關系進行關聯存儲。

本發明還提供一種多語言時間抽取裝置，包括：