CN109299214B

CN109299214B - 文本信息提取方法、装置、介质及电子设备

Info

Publication number: CN109299214B
Application number: CN201811331351.5A
Authority: CN
Inventors: 刘婷婷; 李子龙; 章梦云
Original assignee: Yidu Cloud Beijing Technology Co Ltd
Current assignee: Yidu Cloud Beijing Technology Co Ltd
Priority date: 2018-11-09
Filing date: 2018-11-09
Publication date: 2022-04-08
Anticipated expiration: 2038-11-09
Also published as: CN109299214A; CN114625829A

Abstract

本发明实施例提供了一种文本信息提取方法、装置、介质及电子设备，该方法包括：获取医疗数据平台中的源文本信息；获取用于标识所述源文本信息中的信息段落的特征标记，以供用户选择；根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落；根据提取的所述信息段落再次提取源文本信息中待标记信息段落，以生成目标文本。本发明实施例的技术方案可以提高文本信息提取的效率。

Description

文本信息提取方法、装置、介质及电子设备

技术领域

本发明涉及信息处理技术领域，具体而言，涉及一种文本信息提取方法、装置、介质及电子设备。

背景技术

随着信息技术的发展，信息共享的程度越来越高。

在医学领域，医生用病历来记录患者的基本情况，比如，病人的一诉五史(主诉、现病史、既往史、个人史、婚姻史、家族史)，检查报告(X线、CT(Computed Tomography，电子计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)、超声、内镜、病理的检查所见和检查结论)，手术记录等。当医生进行医学研究工作时，需要将每个病历本中有价值的目标信息提取出来，整理在一起再进行研究，并且进行下一次医学研究时，还要重新整理。这种手工摘录的过程过于繁琐，需要大量时间。

因此，如何简单快速的提取病历中的有用信息成为亟待解决的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明实施例的目的在于提供一种文本信息提取方法、装置、介质及电子设备，进而至少在一定程度上克服文本信息提取效率低的问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明实施例的第一方面，提供了一种文本信息提取方法，包括：

获取医疗数据平台中的源文本信息；

获取用于标识所述源文本信息中的信息段落的特征标记，以供用户选择；

根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落；

根据提取的所述信息段落再次提取源文本信息中待标记信息段落，以生成目标文本。

在本发明的一种示例实施例中，所述方法还包括：

判断所述源文本信息中是否包含所述特征标记；

在所述源文本信息中不包含所述特征标记时，提示用户添加特征标记，并将用户添加的特征标记保存在所述源文本信息中。

在本发明的一种示例实施例中，所述根据提取的所述信息段落再次提取源文本信息中待标记信息段落包括：

解析所述信息段落获取多个关键字段；

提取包含所述关键字段的待标记信息段落。

在本发明的一种示例实施例中，所述根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落包括：

分析出所述特征标记中包含的所述信息段落在所述源文本信息中的起始位置和终止位置；

根据所述起始位置和终止位置，提取所述源文本信息中的信息段落。

根据用户选择的所述特征标记，提取所述特征标记中记录的所述信息段落。

在本发明的一种示例实施例中，所述根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落还包括：

用户在所述源文本信息中选择多个所述特征标记时，记录所述特征标记的选择顺序。

在本发明的一种示例实施例中，所述根据所述特征标记提取所述源文本信息中的所述信息段落还包括：

获取所述特征标记的选择顺序，根据所述选择顺序依次提取所述源文本信息中的所述信息段落。

根据本发明实施例的第二方面，提供了一种文本信息提取装置，包括：

获取信息单元，用于获取医疗数据平台中的源文本信息；

获取标记单元，用于获取用于标识所述源文本信息中的信息段落的特征标记，以供用户选择；

提取信息单元，用于根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落；

目标文本生成单元，用于根据提取的所述信息段落再次提取源文本信息中待标记信息段落，以生成目标文本。

根据本发明实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的文本信息提取方法。

根据本发明实施例的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的文本信息提取方法。

本发明实施例提供的技术方案可以包括以下有益效果：

在本发明的一些实施例所提供的技术方案中，通过获取医疗数据平台中的源文本信息；获取用于标识源文本信息中的信息段落的特征标记，以供用户选择；根据用户选择的特征标记从源文本信息中提取信息段落；根据提取的所述信息段落再次提取源文本信息中待标记信息段落，以生成目标文本。根据用户只需要的特征标记可以自动提取用户需要的信息段落，减少了用户的操作，从而可以提高信息提取效率；并且可以利用特征标记多次进行不同的提取方案，进一步提高提取效率，同时提高文本提取的灵活性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示意性示出了根据本发明的实施例的文本信息提取方法的流程图；

图2示意性示出了根据本发明的实施例的文本信息提取装置的框图；

图3示意性示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本示例实施方式首先提供了一种文本信息提取方法。如图1所示，该方法可以包括步骤S110、S120、S130、S140。其中：

步骤S110，获取医疗数据平台中的源文本信息；

步骤S120，获取用于标识所述源文本信息中的信息段落的特征标记，以供用户选择；

步骤S130，根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落；

步骤S140，根据提取的所述信息段落再次提取源文本信息中待标记信息段落，以生成目标文本。

根据本示例实施例中的文本信息提取方法，通过获取医疗数据平台中的源文本信息，获取用于标识源文本信息中的信息段落的特征标记，以供用户选择，根据用户选择的特征标记从源文本信息中提取信息段落，根据提取的所述信息段落再次提取源文本信息中待标记信息段落，以生成目标文本，可以自动提取用户需要的信息段落，减少了用户的操作，从而可以提高信息提取效率；并且可以利用特征标记多次进行不同的提取方案，进一步提高提取效率，同时提高文本提取的灵活性。

下面，将结合图1对本示例实施例中的文本信息提取方法的各个步骤进行更加详细的说明。

步骤S110，获取医疗数据平台中的源文本信息。

医疗数据平台可以是用于管理患者病历、各种疾病信息、各种药物信息的应用平台。或者医疗数据平台也可以是医院的各个管理系统或软件，例如，病历管理系统、手术管理系统等。当然，根据实际情况，医疗数据平台也可以是其他平台，例如，医院的挂号平台等。从医疗数据平台中获取的任何信息可以是源文本信息，例如，病历、手术资料、治疗效果记录等。源文本信息还可以是医学论文、医学报告等。此外，源文本信息可以是结构化信息，或者非结构化信息，结构化信息可以包括数据结构规则或完整，可以用数据库二维逻辑表来表现的信息。非结构化信息可以包括数据结构不规则或不完整，没有预定义的数据模型，不方便使用数据库二维逻辑表来表现的数据。例如，文字信息、数字信息、表格信息或者图片信息等。获取到源文本信息后可以通过显示器将信息显示在屏幕上，从而向用户展示。

步骤S120，获取用于标识所述源文本信息中的信息段落的特征标记，以供用户选择。

在本示例实施例中，信息段落可以是源文本信息中的任何一部分。例如，源文本信息表格时，信息段落可以是该表格中的前三行或者第二列到第五列等。信息段落可以用特征标记来标识。特征标记可以是符号、文字或者其他标记，例如，提示框、标注等。此外，特征标记可以根据任何算法或者规则生成，或者根据用户的添加生成。例如，用户可以通过添加标注或者批注的方式标记源文本信息中的信息段落。此时，用户的标注或者批注可以作为特征标记。例如，word中的批注等。用户还可以使用几个关键字对选取的信息段落添加批注，然后可以将用户的关键字可以作为特征标记等。或者，可以根据源文本的语法规则，分析源文本信息，根据源文本信息的各个信息段落的特征，自动为源文本信息添加相应的特征标识等。

特征标记生成后可以保存在源文本信息中，在获取特征标记后，可以将特征标记显示在源文本信息的相应位置，或者以标签的形式显示，供用户选择。此外，还可以对特征标记标出的信息段落进行区别显示，例如，高亮显示，增大字体显示等。用户可以通过鼠标点击进行选择，也可以直接输入特征标记的序列来选择。

进一步地，特征标记可以记录信息段落的起始位置和终止位置。例如，特征标记可以包含“1，10”，可以表示第一行到第十行的信息段落。

更进一步地，特征标记还可以记录信息段落。信息段落可以直接保存在特征标记中，或者复制在特征标记中，即信息段落可以直接作为特征标记。例如，特征标记为“风湿病”等。

步骤S130，根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落。

本示例实施例中，可以根据用户选择的特征标记提取特征标记对应的信息段落。例如，用户选择的特征标记为关键字，那么从源文本信息中提取批注为该关键字的信息段落。

进一步地，可以分析出特征标记包含的信息段落的起始位置和终止位置，根据起始位置和终止位置提取出源文本信息的信息段落。例如，用户选择的特征标记为“1，10”，那么提取出源文本信息中的第一行到第十行的内容。

更进一步地，可以直接对特征标记中记录的信息段落进行提取。例如，特征标记中包含了“哮喘病”，则直接提取“哮喘病”。

此外，用户选择的特征标记可以是多个。在用户选择的特征标记为多个时，可以记录用户选择特征标记时的选择顺序，从而根据特征标记的选择顺序，依次提取特征标记对应的信息段落。

本示例实施例中，根据提取的信息段落可以对源文本信息中待标记信息段落进行提取。其中，待标记信息段落可以指源文本信息中没有被用户标记的信息段落，即源文本信息中没有特征标记的部分。此外，将这些信息段落提取出来之后可以导出到用户创建的目标文本中，从而生成目标文本。目标文本可以是各种能够保存信息的文件，例如，word文档、Excel表格、记事本等。

在本发明的一些实施例中，根据提取的信息段落再次提取源文本信息中待标记信息段落还可以通过解析所述信息段落获取多个关键字段；进而提取包含所述关键字段的待标记信息段落。其中关键字段可以是信息段落中包含的内容，例如信息段落中的词语、字等等。举例而言，由于医学中的药品、症状、疾病等都有专有名词，因此可以将信息段落中包含的疾病名称解析出来，从而根据疾病名词将包含该疾病的段落提取出来；或者可以根据该疾病名词分析该疾病所属的类别(例如白内障属于眼科类疾病、湿疹属于皮肤类疾病等等)，从而将包含这类疾病的段落提取出来。

此外，在获取用于标识所述源文本信息中的信息段落的特征标记之前还可以判断所述源文本信息中是否包含特征标记；进而在源文本信息中不包含所述特征标记时，提示用户添加特征标记；并将用户添加的特征标记保存在所述源文本信息中。其中，在获取到源文本信息后，可以检测源文本信息中是否包含特征标记。可以根据预先设定的标记信息来确定源文本信息中是否包含特征标记，例如用数字1代表包含标记，用数字0代表不包含标记；进而在获取到源文本信息后就可以确定源文本信息是否包含特征标记。或者，也可以直接获取源文本信息中特征标记，根据获取的结果判断是否获取到了特征标记，如果获取到则可以显示给用户，供用户选择；如果没有获取到那么可以认为源文本中不包含特征标记。当然，也可以通过其他方式判断源文本中是否包含特征标记，例如在源文本信息中记录特征标记的数量，在该数量为0时可以确定不包含特征标记。

在源文本信息中不包含特征标记是，可以提示用户添加特征标记。用户可以将自己需要提取的内容添加一特征标记。根据自己在源文本信息中需要的部分，用户可以对需要的部分信息添加特征标记，而这部分信息可以为用户添加的特征标记标识的信息段落。用户添加的特征标记可以进行保存，并且将特征标记与其标识的信息段落的对应关系也进行保存，以便于根据特征标记提取出信息段落。提示用户的方式可以通过弹出窗口提示，或者向用户显示提示文字；当然，根据实际情况也可以通过其他方式提示用户，例如声音提示等；本示例实施例对此不做特殊限定。

然后，可以将用户添加的特征标记保存在源文本信息中。也就是说，用户添加的特征标记可以保存在源文本信息的对应位置，或者可以成为源文本信息的一部分。举例而言，可以将特征标记保存在源文本信息中；也可以将特征标记与源文本信息的对应关系进行保存；或者同一源文本文件中的特征标记保存在同一文件中，并在该文件中保存该源文本文件的信息；当然，根据实际需要也可以将特征标记以其他方式保存，例如将特征标记保存在数据库中，并将特征标记对应的源文本信息的路径也保存在该数据库中等等；本示例实施方式对此不做特殊限定。

以下介绍本发明的装置实施例，可以用于执行本发明上述的文本信息提取方法。如图2所示，该该文本信息提取装置200可以包括：

获取信息单元210，用于获取医疗数据平台中的源文本信息；

获取标记单元220，用于获取用于标识所述源文本信息中的信息段落的特征标记，以供用户选择；

提取信息单元230，用于根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落；

目标文本生成单元240，用于根据提取的所述信息段落再次提取源文本信息中待标记信息段落，以生成目标文本。

由于本发明的示例实施例的文本信息提取装置的各个功能模块与上述文本信息提取方法的示例实施例的步骤对应，因此对于本发明文本信息提取装置实施例中未披露的细节，请参照本发明上述的文本信息提取方法的实施例。

下面参考图3，其示出了适于用来实现本发明实施例的电子设备的计算机系统300的结构示意图。图3示出的电子设备的计算机系统300仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，计算机系统300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有系统操作所需的各种程序和数据。CPU301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的文本信息提取方法。

例如，所述的电子设备可以实现如图1中所示的：

步骤S110，获取医疗数据平台中的源文本信息；步骤S120，获取用于标识所述源文本信息中的信息段落的特征标记，以供用户选择；步骤S130，根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落；步骤S140，根据提取的所述信息段落再次提取源文本信息中待标记信息段落，以生成目标文本。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims

1.一种文本信息提取方法，其特征在于，包括：

获取医疗数据平台中非结构化的源文本信息；

获取用于表示所述源文本信息中的段落的特征标记，以供用户选择，所述特征标记包括数字、文字以及符号中的至少一种；

在所述源文本信息中不包含特征标记时，提示用户对需要的部分信息添加特征标记，并在所述源文本信息中保存所述特征标记，以及保存所述特征标记与其标识的信息段落的对应关系；

根据提取的所述信息段落再次提取源文本信息中待标记信息段落，以生成目标文本；

所述根据提取的所述信息段落再次提取源文本信息中待标记信息段落包括：解析所述信息段落获取多个关键字段；提取包含所述关键字段的待标记信息段落；

所述根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落包括：根据用户选择的所述特征标记，提取所述特征标记中记录的信息段落。

2.根据权利要求1所述的文本信息提取方法，其特征在于，所述根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落包括：

3.根据权利要求1所述的文本信息提取方法，其特征在于，所述根据用户选择的所述特征标记从所述源文本信息中提取所述信息段落还包括：

4.根据权利要求3所述的文本信息提取方法，其特征在于，所述根据所述特征标记提取所述源文本信息中的所述信息段落还包括：

5.一种文本信息提取装置，其特征在于，包括：

获取信息单元，用于获取医疗数据平台中的源文本信息；

获取标记单元，获取用于表示所述源文本信息中的段落的特征标记，以供用户选择，所述特征标记包括数字、文字以及符号中的至少一种；

提示信息单元，用于在所述源文本信息中不包含特征标记时，提示用户对需要的部分信息添加特征标记，并在所述源文本信息中保存所述特征标记，以及保存所述特征标记与其标识的信息段落的对应关系；

6.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至4中任一项所述的文本信息提取方法。

7.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任一项所述的文本信息提取方法。