[發明專利]word文檔關鍵信息抽取方法

在審

• 申請號: 202011290565.X
• 申請日: 2020-11-17
• 公開（公告）號: CN112668316A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 張麗;董雨辰;張翔宇;杜慧;解崢;鐘習;陳志鵬;俞曉明;劉悅
• 申請（專利權）人: 國家計算機網絡與信息安全管理中心;中國科學院計算技術研究所
• 主分類號: G06F40/258
• 分類號: G06F40/258;G06F40/205;G06F16/35;G06N3/04;G06N3/08
• 代理公司: 北京遠大卓悅知識產權代理有限公司 11369
• 代理人: 卞靜靜

1.word文檔關鍵信息抽取方法，其特征在于，其包括：

步驟一、獲取源word文檔，遍歷word文檔的段落，對于任一段落，判斷段落是否具有模板樣式屬性，若具有模板樣式屬性，則進入步驟二；若不具有模板樣式屬性，則進入步驟三；

步驟二、根據段落的模板樣式屬性獲取段落信息類別，并與預設的待抽取關鍵信息類別列表進行匹配，將段落抽取并輸入至輸出文件一中所屬信息類別對應的區域；

步驟三、基于預設的神經網絡模型識別段落的信息類別，并與預設的待抽取關鍵信息類別列表進行匹配，將段落抽取并輸入至輸出文件一中所屬信息類別對應的區域。

2.如權利要求1所述的word文檔關鍵信息抽取方法，其特征在于，預設的待抽取關鍵信息類別列表至少包括標題、正文、表格等類別。

3.如權利要求2所述的word文檔關鍵信息抽取方法，其特征在于，步驟三中，基于預設的神經網絡模型識別段落的信息類別具體為：根據預設的格式屬性規則，對段落進行預處理，并提取得到特征向量M，將特征向量M輸入至預設的神經網絡模型中，獲取神經網絡模型的輸出結果，根據輸出結果確定段落的信息類別；

其中，M＝[m₁、m₂、…m_n]，其中m表示一種格式屬性；

所述神經網絡模型包括三層全連接層，第一層全連接層的輸出維度為50；第二層全連接層的輸出維度為20，第三層全連接層的輸出維度為n；n與預設的待抽取關鍵信息類別信息中的類別個數相等。

4.如權利要求3所述的word文檔關鍵信息抽取方法，其特征在于，所述格式屬性包括字號、字體、文本長度、段間距、是否加黑、是否加粗、是否斜體等中的至少一個。

5.如權利要求4所述的word文檔關鍵信息抽取方法，其特征在于，還包括，步驟四將word文檔的所有段落按照預設的格式屬性，進行格式處理，并形成新的word文檔作為輸出文件二。

6.如權利要求5所述的word文檔關鍵信息抽取方法，其特征在于，所述文件一為json格式。

7.如權利要求6所述的word文檔關鍵信息抽取方法，其特征在于，步驟一中獲取word文檔具體為：填寫配置文件，所述配置文件包括待處理的文件名稱字段，待處理的文件存儲路徑字段；讀取待處理的文件名稱字段，待處理的文件存儲路徑字段，并解析文件名稱、文件存儲路徑，獲取文件；

其中，文件為word文檔或文件夾，若文件為word文檔時，獲取word文檔并遍歷word文檔中的所有段落；若文件為文件夾時，啟動多個線程，一個線程對應獲取文件夾中的至少一個word文檔并遍歷word文檔中的所有段落。

8.如權利要求7所述的word文檔關鍵信息抽取方法，其特征在于，所述配置文件還包括待抽取的關鍵信息類別字段；步驟一中，獲取word文檔的同時，讀取待抽取的關鍵信息類別字段，設置待抽取的關鍵信息類別形成預設的待抽取的關鍵信息類別列表。

9.word文檔關鍵信息抽取裝置，其特征在于，其包括：

處理器；

存儲器，其存儲有可執行指令；

其中，所述處理器被配置為執行所述可執行指令，以執行權利要求1～8任一所述的word文檔關鍵信息抽取方法。