[發明專利]一種數據提取方法、裝置、電子設備和存儲介質

有效

• 申請號: 202210780916.8
• 申請日: 2022-07-05
• 公開（公告）號: CN114861641B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 賈新;李善平;晉梁昊;邵強
• 申請（專利權）人: 北京拓普豐聯信息科技股份有限公司;河南拓普計算機網絡工程有限公司;合肥拓普網絡系統工程有限責任公司;北京劍魚信息技術有限公司
• 主分類號: G06F40/258
• 分類號: G06F40/258;G06F40/289;G06F16/35
• 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: 曹延鵬

本申請提供了一種數據提取方法、裝置、電子設備和存儲介質，包括：依次對接收到待解析文章中的每個自然段進行第一排序；針對標題自然段在待解析文章中的位置、標題內容，確定各標題自然段之間的第一層級關系，并確定標題自然段與內容自然段之間的第二層級關系；根據標點符號將每個內容自然段中拆解為短語，并分別對短語、由短語組成的句子進行第二排序和第三排序；基于第一排序、第二排序、第三排序、第一層級關系、第二層級關系，構建結構化解析內容；根據為待解析文章的文章類別預設的提取格式，從結構化解析內容中提取出目標數據，以在顯示終端展示目標數據或導出為目標文件格式。通過上述方法，有助于提高特殊領域文章的內容提取精度。

技術領域

本申請涉及數據提取技術領域，具體而言，涉及一種數據提取方法、裝置、電子設備和存儲介質。

背景技術

數據提取指根據一定的目的，從原始文獻中摘錄所需要的信息，以作進一步存儲、換算和分析的過程。

發明人在研究中發現，現有技術中是依靠訓練模型完成對內容的通用識別和提取，需要將文章內容統一標注作為訓練集和數據集對模型進行訓練，能夠實現機器對特定內容的識別和提取。

這就使得針對工作報告文件這種特殊領域的文章，由于每年都會新增內容，容易由于訓練樣本未及時標注和更新造成訓練模型更新較慢，進而導致無法保證數據提取的精度。

發明內容

有鑒于此，本申請實施例提供了一種數據提取方法、裝置、電子設備和存儲介質，以提高特殊領域文章的內容提取精度。

第一方面，本申請實施例提供了一種數據提取方法，所述方法包括：

基于接收到的待解析文章中的每個自然段在所述待解析文章中的位置，依次對每個所述自然段進行第一排序；所述自然段包括標題自然段和內容自然段；

針對每個所述標題自然段，基于各所述標題自然段在所述待解析文章中的位置、所述標題自然段中的標題內容，確定各所述標題自然段之間的第一層級關系，以及基于所述標題自然段與所述內容自然段之間的位置關系確定所述標題自然段與所述內容自然段之間的第二層級關系；

針對每個所述內容自然段，根據所述內容自然段中的每個標點符號將所述內容自然段拆解為至少一個短語，并在所述內容自然段中分別對所述短語、由至少一個短語組成的句子進行第二排序和第三排序；

基于所述第一排序、所述第二排序、所述第三排序、所述第一層級關系、所述第二層級關系，構建結構化解析內容；所述結構化解析內容中包含每個存儲元素、歸屬文件名、歸屬副標題、所述存儲元素所在目標自然段的第一排序、所述存儲元素的第二順序、所述存儲元素所屬句子的第三順序、所述目標自然段的級別、基于所述級別確定的所述目標自然段的上級和下級、所述存儲元素在所述待解析文章中對應的原始語句，所述存儲元素為所述短語/所述標題內容，所述目標自然段的級別是根據所述第一層級關系確定的；

確定所述待解析文章歸屬的文章類別，基于為所述文章類別預設的提取格式，從所述結構化解析內容中提取出目標數據并發送到顯示終端，以在所述顯示終端顯示。

在一個可行的實施方案中，在基于所述待解析文章中的每個自然段在所述待解析文章中的位置，依次對每個所述自然段進行第一排序之前，還包括：

針對每個預先指定的自然段，當判斷所述自然段中存在滿足預設標題格式的內容時，將所述自然段拆分為第一自然段和第二自然段；所述第一自然段中的標題內容為所述內容；

當所述內容中未攜帶有可識別的順序標識時，為該內容添加特定標識；

將所述待解析文章中的第一自然段、預先識別出的第三自然段確定為所述標題自然段，以及將所述待解析文章中除所述標題自然段的其他自然段確定為內容自然段；所述第三自然段中攜帶有可識別的順序標識；所述內容自然段包括所述第二自然段。