[發(fā)明專利]一種基于PDF文檔的知識(shí)圖譜構(gòu)建方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211418911.7
• 申請(qǐng)日: 2022-11-14
• 公開（公告）號(hào): CN115687655A
• 公開（公告）日: 2023-02-03
• 發(fā)明（設(shè)計(jì)）人: 張明
• 申請(qǐng)（專利權(quán)）人: 新華智云科技有限公司
• 主分類號(hào): G06F16/36
• 分類號(hào): G06F16/36;G06F16/34;G06F40/117;G06F40/151;G06F40/258;G06F40/295
• 代理公司: 杭州裕陽聯(lián)合專利代理有限公司 33289
• 代理人: 楊琪宇

1.一種基于PDF文檔的知識(shí)圖譜構(gòu)建方法，其特征在于，包括以下步驟：

將PDF文檔按照頁碼拆分為若干第一圖片，并對(duì)每個(gè)第一圖片進(jìn)行光學(xué)文字識(shí)別和標(biāo)題識(shí)別得到若干第一純文本；

將所有第一純文本進(jìn)行拼接得到第二純文本，并根據(jù)識(shí)別出的標(biāo)題將所述第二純文本劃分成多個(gè)章節(jié)文本；

對(duì)每個(gè)章節(jié)文本進(jìn)行實(shí)體識(shí)別和實(shí)體關(guān)系提取，并根據(jù)得到的實(shí)體和實(shí)體關(guān)系構(gòu)建所述PDF文檔對(duì)應(yīng)的知識(shí)圖譜。

2.根據(jù)權(quán)利要求1所述的一種基于PDF文檔的知識(shí)圖譜構(gòu)建方法，其特征在于，所述將PDF文檔按照頁碼拆分為若干第一圖片，包括：

按照頁碼將PDF文檔拆分為若干子文檔，并將每份子文檔轉(zhuǎn)換為圖片；

根據(jù)對(duì)應(yīng)的頁碼對(duì)每張圖片進(jìn)行編號(hào)，并裁剪掉每張圖片中的冗余信息生成若干第一圖片。

3.根據(jù)權(quán)利要求1所述的一種基于PDF文檔的知識(shí)圖譜構(gòu)建方法，其特征在于，所述對(duì)每個(gè)第一圖片進(jìn)行光學(xué)文字識(shí)別和標(biāo)題識(shí)別得到若干第一純文本，包括：

對(duì)每個(gè)第一圖片進(jìn)行光學(xué)文字識(shí)別得到每個(gè)第一圖片包含的所有文本片段以及每個(gè)文本片段對(duì)應(yīng)圖片的位置坐標(biāo)和像素；

比對(duì)所有第一圖片中文本片段圖片的像素，將其中像素最大的圖片對(duì)應(yīng)的文本片段作為候選章節(jié)標(biāo)題；

根據(jù)每個(gè)候選章節(jié)標(biāo)題對(duì)應(yīng)圖片的位置坐標(biāo)確定其在所有第一圖片中的位置，將位于所有第一圖片行中間的候選章節(jié)標(biāo)題作為最終章節(jié)標(biāo)題；

將每個(gè)第一圖片包含的所有文本片段進(jìn)行拼接并在其中標(biāo)記對(duì)應(yīng)的最終章節(jié)標(biāo)題得到若干第一純文本。

4.根據(jù)權(quán)利要求1所述的一種基于PDF文檔的知識(shí)圖譜構(gòu)建方法，其特征在于，所述將所有第一純文本進(jìn)行拼接得到第二純文本，包括：

根據(jù)所述PDF文檔對(duì)每個(gè)第一純文本進(jìn)行人工校驗(yàn)，并根據(jù)頁碼將校驗(yàn)后的所有第一純文本順序拼接成第二純文本。

5.根據(jù)權(quán)利要求1所述的一種基于PDF文檔的知識(shí)圖譜構(gòu)建方法，其特征在于，所述對(duì)每個(gè)章節(jié)文本進(jìn)行實(shí)體識(shí)別和實(shí)體關(guān)系提取，并根據(jù)得到的實(shí)體和實(shí)體關(guān)系構(gòu)建所述PDF文檔對(duì)應(yīng)的知識(shí)圖譜，包括：

利用命名實(shí)體識(shí)別技術(shù)識(shí)別出每個(gè)章節(jié)文本中的實(shí)體，并根據(jù)共現(xiàn)原則確定每個(gè)章節(jié)文本中各個(gè)實(shí)體間的關(guān)系；

對(duì)各個(gè)實(shí)體進(jìn)行消歧，并將消歧后所有章節(jié)文本中的實(shí)體與實(shí)體關(guān)系進(jìn)行合并；

將合并結(jié)果輸入Neo4j系統(tǒng)中構(gòu)建所述PDF文檔整體的可視化知識(shí)圖譜。

6.根據(jù)權(quán)利要求1所述的一種基于PDF文檔的知識(shí)圖譜構(gòu)建方法，其特征在于，所述對(duì)每個(gè)章節(jié)文本進(jìn)行實(shí)體識(shí)別和實(shí)體關(guān)系提取，并根據(jù)得到的實(shí)體和實(shí)體關(guān)系構(gòu)建所述PDF文檔對(duì)應(yīng)的知識(shí)圖譜，還包括：

利用命名實(shí)體識(shí)別技術(shù)識(shí)別出每個(gè)章節(jié)文本中的實(shí)體，并根據(jù)共現(xiàn)原則確定每個(gè)章節(jié)文本中各個(gè)實(shí)體間的關(guān)系；

對(duì)每個(gè)章節(jié)文本中的實(shí)體進(jìn)行消歧，并將消歧后各個(gè)章節(jié)文本中的實(shí)體與實(shí)體關(guān)系分別輸入Neo4j系統(tǒng)中構(gòu)建所述PDF文檔各章節(jié)的可視化知識(shí)圖譜。

7.一種基于PDF文檔的知識(shí)圖譜構(gòu)建系統(tǒng)，其特征在于，包括：

識(shí)別模塊，用于將PDF文檔按照頁碼拆分為若干第一圖片，并對(duì)每個(gè)第一圖片進(jìn)行光學(xué)文字識(shí)別和標(biāo)題識(shí)別得到若干第一純文本；

劃分模塊，用于將所有第一純文本進(jìn)行拼接得到第二純文本，并根據(jù)識(shí)別出的標(biāo)題將所述第二純文本劃分成多個(gè)章節(jié)文本；

構(gòu)建模塊，用于對(duì)每個(gè)章節(jié)文本進(jìn)行實(shí)體識(shí)別和實(shí)體關(guān)系提取，并根據(jù)得到的實(shí)體和實(shí)體關(guān)系構(gòu)建所述PDF文檔對(duì)應(yīng)的知識(shí)圖譜。