[發明專利]模型訓練方法、信息抽取方法、裝置、設備及存儲介質

在審

• 申請號: 202210115404.X
• 申請日: 2022-02-07
• 公開（公告）號: CN114153978A
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 顧文斌;孫勇;丁雪純;于業達;羅豐
• 申請（專利權）人: 杭州恒生聚源信息技術有限公司;上海恒生聚源數據服務有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/289;G06F40/295
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 曹瑞敏

本申請提供了一種模型訓練方法、信息抽取方法、裝置、設備及存儲介質，其中，信息抽取方法，包括：根據訓練得到的閱讀理解模型對待抽取句子文本進行分類識別和序列標注，得到待抽取句子文本的分類識別結果和序列標注結果，序列標注結果用于指示待抽取句子文本中多個預設字段分別對應的字段值，根據多個預設字段的關聯關系，對多個預設字段對應的字段值進行關聯，得到結構化數據，結構化數據中包括多個預設字段以及多個預設字段分別對應的字段值。不僅能抽取多個預設字段分別對應的字段值，還可以實現字段值的相互關聯，得到結構化數據。

技術領域

本申請涉及人工智能技術領域，具體而言，涉及一種模型訓練方法、信息抽取方法、裝置、設備及存儲介質。

背景技術

隨著人工智能技術的發展，采用人工智能技術從海量非結構化的公告中抽取出重要信息已經成為了一種趨勢，通常在進行信息抽取之前，需要事先定義好需要抽取的字段名，然后基于該字段名將對應的字段值提取出來，以存入結構化的數據庫中。

目前提供的信息抽取方法中，一種是基于規則抽取的方法，預先定義抽取規則，通過編寫正則進行字段值的抽取，另一種是基于序列標注的方法，為每個字或詞預測一個預先定義的標簽，然后基于該標簽對標注序列進行解碼得到字段值，還有一種是基于機器閱讀理解的方法，將字段名和包含對應字段值的片段一起輸入深度學習模型，預測字段值在片段中的開始位置和結束位置以得到字段值。

然而，上述方法只能解決多個字段中每個字段只有單個字段值的情況，不能解決多個字段中存在一個或多個字段有多個字段值的情況，即不能解決字段值之間的交互關聯的問題。

發明內容

本申請的目的在于，針對上述現有技術中的不足，提供一種模型訓練方法、信息抽取方法、裝置、設備及存儲介質，以抽取多個字段值，還實現了字段值相互關聯。

為實現上述目的，本申請實施例采用的技術方案如下：

第一方面，本申請一實施例提供了一種模型訓練方法，包括：

獲取針對多個預設字段的樣本數據，針對每個預設字段的樣本數據包括所述每個預設字段的字段名、所述字段名的字段值以及句子文本，其中，所述多個預設字段為存在關聯關系的字段；

對所述句子文本進行分類識別，得到分類識別結果，所述分類識別結果用于指示所述句子文本中是否包括所述每個預設字段對應的字段值；

對所述句子文本中的字段值進行序列標注，得到序列標注結果；

根據所述分類識別結果以及所述序列標注結果進行模型訓練，得到閱讀理解模型。

可選地，所述獲取針對多個預設字段的樣本數據，包括：

獲取針對所述多個預設字段的第一正樣本數據，所述每個預設字段的第一正樣本數據包括所述每個預設字段的字段名、所述字段名的字段值以及所述字段值所在的第一正句子文本；

確定樣本文件的多個句子文本中所述第一正句子文本之外的句子文本為負句子文本；

生成針對所述多個預設字段的負樣本數據，所述每個預設字段的負樣本數據包括所述每個預設字段的字段名、所述字段名的預設空值以及負句子文本，針對所述多個預設字段的樣本數據包括所述第一正樣本數據和所述負樣本數據。

可選地，所述獲取針對多個預設字段的樣本數據，還包括：

調整所述第一正句子文本中的字段值，得到第二正句子文本；

生成針對所述多個預設字段的第二正樣本數據，所述每個預設字段的第二樣本數據包括所述每個預設字段的字段名、調整后的所述字段名的字段值以及第二正句子文本，所述針對多個預設字段的樣本數據還包括：所述第二正樣本數據。

可選地，所述調整所述第一正句子文本中的字段值，得到第二正句子文本，包括：

根據其他第一正句子文本中的字段值，調整目標第一正句子文本中的字段值；

確定調整后的目標第一正句子文本為所述第二正句子文本。