[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

本發明公開了一種word文檔關鍵信息抽取方法，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，否則進入步驟三；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，將段落抽取并輸入所屬信息類別對應的區域。本發明利用了word文檔中的模板樣式屬性的信息，從而極大地提高了word文檔抽取關鍵信息地效率。

技術領域

本發明涉及信息內容加工技術領域。更具體地說，本發明涉及一種word文檔關鍵信息抽取方法。

背景技術

現有的MS Word文檔關鍵信息抽取方法主要是由程序員編寫特定的程序進行抽取，各種方法的具體差異很大，沒有一種固定的標準。現有的關鍵信息抽取存在不能有效地抽取MS Word文檔中有樣式的段落；已有技術的可定制性較差，用戶很多時候不能選擇抽取哪些類型的關鍵信息；對于無樣式的段落，沒有一種有效的抽取方案；抽取文件的輸出并不規范等缺陷。

發明內容

本發明的一個目的是解決至少上述問題，并提供至少后面將說明的優點。

本發明還有一個目的是提供一種word文檔關鍵信息抽取方法，本發明利用了word文檔段落的模板樣式屬性地信息，將word文檔的段落按照是否具有模板樣式屬性進行分類，對于不同類型的段落采用不同的關鍵信息提取方法，極大地提高了word文檔關鍵信息的抽取效率；本發明將抽取的關鍵信息采用統一格式的文件輸出，使得程序的結果更加清晰明了。

為了實現根據本發明的這些目的和其它優點，提供了一種word文檔關鍵信息抽取方法，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。

優選的是，所述的word文檔關鍵信息抽取方法，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。

優選的是，所述的word文檔關鍵信息抽取方法，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。

優選的是，所述的word文檔關鍵信息抽取方法，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。

優選的是，所述的word文檔關鍵信息抽取方法，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。

優選的是，所述的word文檔關鍵信息抽取方法，所述文件一為json格式。