[發明專利]從非結構化文檔提取結構化信息

在審

• 申請號: 202111195230.4
• 申請日: 2021-10-13
• 公開（公告）號: CN114358000A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: M·貝斯勒;A·邁爾;D·雅恩;T·漢普-班穆勒
• 申請（專利權）人: 國際商業機器公司
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F40/242;G06F16/36;G06F16/33;G06F16/25
• 代理公司: 北京市中咨律師事務所 11247
• 代理人: 劉薇;于靜

1.一種計算機實現的方法，包括：

提取結構化信息以用于非結構化文檔分析，其中，提取結構化信息以用于非結構化文檔分析包括：

識別數據庫中的與業務術語表的業務術語相對應的表和列；

接收用于在非結構化文檔中識別的感興趣業務術語的指定；

基于所識別的表和列來生成分析模塊，所述分析模塊使得能夠識別或辨認所述表和列的屬性的屬性值；以及

基于所述感興趣業務術語的指定，使用所述分析模塊以從所述非結構化文檔自動提取所述屬性的至少一部分的值。

2.根據權利要求1所述的計算機實現的方法，其中，識別所述表和列包括：

對于多個業務術語中的每個術語，基于相應的業務術語的格式和內容來確定識別邏輯；以及

在所述數據庫上運行所述識別邏輯以用于識別所述表和列。

3.根據權利要求1所述的計算機實現的方法，其中，生成所述分析模塊包括：

使用所識別的表和列的屬性值來構建所述多個業務術語的詞典，其中，使用所述分析模塊以提取所述結構化信息包括將所述非結構化文檔的內容與所述詞典進行比較。

4.根據權利要求1所述的計算機實現的方法，其中，生成所述分析模塊包括：

基于所識別的表和列的所述屬性值的內容和格式來構建邏輯，以使得所述邏輯能夠識別與所述屬性值相似的值。

5.根據權利要求1所述的計算機實現的方法，還包括：

基于所述數據庫和所述業務術語表中的一個或多個變化，更新所述分析模塊，以及

連續更新所述分析模塊，以用于從所述非結構化文檔和/或從另一個非結構化文檔提取結構化信息。

6.根據權利要求5所述的計算機實現的方法，其中，如果變化的數量高于閾值，則執行所述更新。

7.根據權利要求1所述的計算機實現的方法，其中，提取所述結構化信息包括：

識別所述非結構化文檔中的與所識別的表和列的屬性值相對應的所述屬性的值；以及

根據所識別的記錄的實體，從所述屬性值形成與各實體相關聯的記錄。

8.根據權利要求7所述的計算機實現的方法，還包括：

針對另一非結構化文檔重復所述計算機實現的方法，其中，在所述數據庫中和在所形成的記錄中執行所述表和列的識別。

9.根據權利要求1所述的計算機實現的方法，其中，所述分析模塊是插件。

10.根據權利要求1所述的計算機實現的方法，其中，所述數據庫是主數據管理(MDM)數據庫。

11.一種計算機程序產品，包括：

一個或多個計算機可讀存儲介質和在所述一個或多個計算機可讀存儲介質上存儲的程序指令，所述程序指令包括：

提取結構化信息以用于非結構化文檔分析的程序指令，其中，提取結構化信息以用于非結構化文檔分析包括：

識別數據庫中的與業務術語表的業務術語相對應的表和列的程序指令；

接收用于在非結構化文檔中識別的感興趣業務術語的指定的程序指令；

基于所識別的表和列來生成分析模塊的程序指令，所述分析模塊使得能夠識別或辨認所述表和列的屬性的屬性值；以及

基于所述感興趣業務術語的指定，使用所述分析模塊以從所述非結構化文檔自動提取所述屬性的至少一部分的值的程序指令。

12.根據權利要求11所述的計算機程序產品，其中，識別所述表和列的程序指令包括：

對于多個業務術語中的每個術語，基于相應的業務術語的格式和內容來確定識別邏輯的程序指令；以及

在所述數據庫上運行所述識別邏輯以識別所述表和列的程序指令。