CN111639487A - 基于分类模型的字段抽取方法、装置、电子设备及介质 - Google Patents

基于分类模型的字段抽取方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111639487A
CN111639487A CN202010368052.XA CN202010368052A CN111639487A CN 111639487 A CN111639487 A CN 111639487A CN 202010368052 A CN202010368052 A CN 202010368052A CN 111639487 A CN111639487 A CN 111639487A
Authority
CN
China
Prior art keywords
phrase
phrases
text
target
texts
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010368052.XA
Other languages
English (en)
Inventor
刘玉
徐国强
邱寒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OneConnect Smart Technology Co Ltd
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202010368052.XA priority Critical patent/CN111639487A/zh
Priority to PCT/CN2020/105629 priority patent/WO2021217931A1/zh
Publication of CN111639487A publication Critical patent/CN111639487A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/258—Heading extraction; Automatic titling; Numbering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能，提供一种基于分类模型的字段抽取方法、装置、电子设备及介质。该方法能够当接收到公共字段抽取请求时，提取多篇文本并进行预处理，整合预处理后的文本，得到文本片段，依次从配置区间中选取目标值，并以目标值为提取长度从文本片段中提取词组，计算词组的凝固度，并将凝固度大于第一阈值的词组确定为第一词组，计算第一词组在文本片段中的频数，并将频数大于第二阈值的第一词组确定为第二词组，获取第二词组在文本片段中的上下文信息，将第二词组、第二词组的频数及上下文信息输入至分类模型中，得到输出结果，当输出结果为公共字段时，分析第二词组，得到分析结果。本发明还涉及区块链技术，分析结果存储于区块链中。

Description

基于分类模型的字段抽取方法、装置、电子设备及介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于分类模型的字段抽取方法、装置、电子设备及介质。
背景技术
目前，企业编撰的文本的篇幅可长达20多万字，其中，不同类型的文本之间差异性大，但是相同类型的文本具有公共的字段，这些公共字段对应的信息有助于相关人员快速获悉文本的重要信息。
为了帮助相关人员快速了解文本的重要信息，通常采用人工的方式阅读相同类型的几篇甚至几十篇文本，并总结出公共字段，然而这种方式抽取到的公共字段受限于整理人员的知识面，另外，这种获取公共字段的方式效率低。
发明内容
鉴于以上内容，有必要提供一种基于分类模型的字段抽取方法、装置、电子设备及介质，能够快速从所述多篇文本中抽取公共字段，以便相关人员快速了解文本的重要信息。
一种基于分类模型的字段抽取方法，所述方法包括：
当接收到公共字段抽取请求时，从所述公共字段抽取请求中提取多篇文本；
对所述多篇文本进行预处理，并整合预处理后的文本，得到文本片段；
依次从配置区间中选取目标值，并以所述目标值为提取长度从所述文本片段中提取词组；
计算所述词组的凝固度，并将凝固度大于第一阈值的词组确定为第一词组；
计算所述第一词组在所述文本片段中的频数，并将频数大于第二阈值的第一词组确定为第二词组；
获取所述第二词组在所述文本片段中的上下文信息；
将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果；
当所述输出结果为所述第二词组为公共字段时，分析所述第二词组，得到分析结果，并以所述分析结果响应所述公共字段抽取请求。
根据本发明优选实施例，所述从所述公共字段抽取请求中提取多篇文本包括：
获取目标标签；
从所述公共字段抽取请求所携带的所有信息中提取与所述目标标签对应的信息，作为页面地址；
根据所述页面地址定位待提取文档；
检测所述待提取文档的文档类型；
根据所述文档类型选取提取工具，并以所述提取工具提取所述待提取文档中的文本。
根据本发明优选实施例，所述对所述多篇文本进行预处理包括：
根据所述多篇文本中每篇文本的标题，计算每篇文本的哈希值；
从每篇文本中抽取预设特征并建立特征索引；
根据每两篇文本的哈希值，采用余弦距离公式计算每两篇文本的相似距离，得到每对文本对的相似距离，其中，每对文本对包括任意两篇文本；
通过所述特征索引搜索出相似距离大于预设值的文本对，并将搜索出的文本对确定为相似文本对；
判断所述相似文本对中的预设特征是否相同；
当所述相似文本对中的预设特征相同时，删除所述相似文本对中的任意一篇文本，得到目标文本；
过滤所述目标文本中的配置字符，得到预处理后的文本。
根据本发明优选实施例，所述计算所述词组的凝固度包括：
计算所述词组在所述文本片段中出现的概率，得到所述词组的第一概率；
对所述词组进行任意划分，得到至少一个组合，每个组合包括多个候选词；
对于每个组合，计算所述多个候选词中每个候选词在所述文本片段中出现的概率，并将所述多个候选词的概率进行乘法运算，得到每个组合的第二概率；
将最大的第二概率确定为目标概率；
将所述第一概率除以所述目标概率，得到所述词组的凝固度。
根据本发明优选实施例，在将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果之前，所述方法还包括：
采用爬虫程序获取所有领域内的第一历史数据；
将所述第一历史数据输入到遗忘门层进行遗忘处理，得到训练数据；
采用交叉验证法将所述训练数据划分为训练集及验证集；
将所述训练集中的数据输入到输入门层进行训练，得到初级学习器；
根据所述验证集中的数据，调整所述初级学习器，得到次级学习器；
确定所述多篇文本所属的目标领域，并获取所述目标领域内的第二历史数据；
将所述第二历史数据作为测试数据测试所述次级学习器，得到测试结果；
计算通过测试的第二历史数据的目标数量，及计算参与测试的第二历史数据的总数量；
将所述目标数量除以所述总数量，得到测试成功率；
当所述测试成功率大于配置值时，将所述次级学习器确定为所述分类模型；或者
当所述测试成功率小于或者等于所述配置值时，根据所述第二历史数据调整所述次级学习器，得到所述分类模型。
根据本发明优选实施例，所述分析结果存储于区块链中，所述分析所述第二词组，得到分析结果包括：
当所述第二词组的个数有多个时，以词元为基本单位，对比所述第二词组，当检测到目标词组中的所有词元包含于任意词组时，计算所述目标词组的哈希值及所述任意词组的哈希值，并基于余弦相似性，计算所述目标词组与配置库中的配置词组的第一相似度，及计算所述任意词组与所述配置词组的第二相似度，对比所述第一相似度与所述第二相似度的大小，当所述第一相似度大于或者等于所述第二相似度时，删除所述任意词组，或者当所述第二相似度大于所述第一相似度时，删除所述目标词组，及以剩余的第二词组作为所述分析结果，所述目标词组是指所有词元在所述任意词组中连续出现的第二词组，所述任意词组是指除所述目标词组外的第二词组；或者
当所述第二词组的个数有且只有一个时，计算所述第二词组中词元的个数，当所述个数大于给定值时，根据所述配置库对所述第二词组进行切分，并将切分后的分词作为所述分析结果。
根据本发明优选实施例，所述方法还包括：
获取所述公共字段抽取请求的请求编号及请求等级；
根据所述请求编号及所述响应结果生成提示信息；
根据所述请求等级确定所述提示信息的提示方式；
采用对称加密技术加密所述提示信息，得到密文；
以所述提示方式发送所述密文；
当在预设时间内未监听到所述密文被解密成功时，生成告警信息；
将所述告警信息发送至指定联系人的终端设备。
一种基于分类模型的字段抽取装置，所述装置包括：
提取单元，用于当接收到公共字段抽取请求时，从所述公共字段抽取请求中提取多篇文本；
预处理单元，用于对所述多篇文本进行预处理，并整合预处理后的文本，得到文本片段；
所述提取单元，还用于依次从配置区间中选取目标值，并以所述目标值为提取长度从所述文本片段中提取词组；
确定单元，用于计算所述词组的凝固度，并将凝固度大于第一阈值的词组确定为第一词组；
所述确定单元，还用于计算所述第一词组在所述文本片段中的频数，并将频数大于第二阈值的第一词组确定为第二词组；
获取单元，用于获取所述第二词组在所述文本片段中的上下文信息；
输入单元，用于将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果；
分析单元，用于当所述输出结果为所述第二词组为公共字段时，分析所述第二词组，得到分析结果，并以所述分析结果响应所述公共字段抽取请求。
根据本发明优选实施例，所述提取单元从所述公共字段抽取请求中提取多篇文本包括：
获取目标标签；
从所述公共字段抽取请求所携带的所有信息中提取与所述目标标签对应的信息，作为页面地址；
根据所述页面地址定位待提取文档；
检测所述待提取文档的文档类型；
根据所述文档类型选取提取工具，并以所述提取工具提取所述待提取文档中的文本。
根据本发明优选实施例，所述预处理单元具体用于：
根据所述多篇文本中每篇文本的标题，计算每篇文本的哈希值；
从每篇文本中抽取预设特征并建立特征索引；
根据每两篇文本的哈希值，采用余弦距离公式计算每两篇文本的相似距离，得到每对文本对的相似距离，其中，每对文本对包括任意两篇文本；
通过所述特征索引搜索出相似距离大于预设值的文本对，并将搜索出的文本对确定为相似文本对；
判断所述相似文本对中的预设特征是否相同；
当所述相似文本对中的预设特征相同时，删除所述相似文本对中的任意一篇文本，得到目标文本；
过滤所述目标文本中的配置字符，得到预处理后的文本。
根据本发明优选实施例，所述确定单元计算所述词组的凝固度包括：
计算所述词组在所述文本片段中出现的概率，得到所述词组的第一概率；
对所述词组进行任意划分，得到至少一个组合，每个组合包括多个候选词；
对于每个组合，计算所述多个候选词中每个候选词在所述文本片段中出现的概率，并将所述多个候选词的概率进行乘法运算，得到每个组合的第二概率；
将最大的第二概率确定为目标概率；
将所述第一概率除以所述目标概率，得到所述词组的凝固度。
根据本发明优选实施例，所述获取单元，还用于在将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果之前，采用爬虫程序获取所有领域内的第一历史数据；
所述输入单元，还用于将所述第一历史数据输入到遗忘门层进行遗忘处理，得到训练数据；
所述装置还包括：
划分单元，用于采用交叉验证法将所述训练数据划分为训练集及验证集；
所述输入单元，还用于将所述训练集中的数据输入到输入门层进行训练，得到初级学习器；
调整单元，用于根据所述验证集中的数据，调整所述初级学习器，得到次级学习器；
所述获取单元，还用于确定所述多篇文本所属的目标领域，并获取所述目标领域内的第二历史数据；
测试单元，用于将所述第二历史数据作为测试数据测试所述次级学习器，得到测试结果；
计算单元，用于计算通过测试的第二历史数据的目标数量，及计算参与测试的第二历史数据的总数量；
所述计算单元，还用于将所述目标数量除以所述总数量，得到测试成功率；
所述确定单元，还用于当所述测试成功率大于配置值时，将所述次级学习器确定为所述分类模型；或者
所述调整单元，还用于当所述测试成功率小于或者等于所述配置值时，根据所述第二历史数据调整所述次级学习器，得到所述分类模型。
根据本发明优选实施例，所述分析结果存储于区块链中，所述分析单元具体用于：
当所述第二词组的个数有多个时，以词元为基本单位，对比所述第二词组，当检测到目标词组中的所有词元包含于任意词组时，计算所述目标词组的哈希值及所述任意词组的哈希值，并基于余弦相似性，计算所述目标词组与配置库中的配置词组的第一相似度，及计算所述任意词组与所述配置词组的第二相似度，对比所述第一相似度与所述第二相似度的大小，当所述第一相似度大于或者等于所述第二相似度时，删除所述任意词组，或者当所述第二相似度大于所述第一相似度时，删除所述目标词组，及以剩余的第二词组作为所述分析结果，所述目标词组是指所有词元在所述任意词组中连续出现的第二词组，所述任意词组是指除所述目标词组外的第二词组；或者
当所述第二词组的个数有且只有一个时，计算所述第二词组中词元的个数，当所述个数大于给定值时，根据所述配置库对所述第二词组进行切分，并将切分后的分词作为所述分析结果。
根据本发明优选实施例，所述获取单元，还用于获取所述公共字段抽取请求的请求编号及请求等级；
所述装置还包括：
生成单元，用于根据所述请求编号及所述响应结果生成提示信息；
所述确定单元，还用于根据所述请求等级确定所述提示信息的提示方式；
加密单元，用于采用对称加密技术加密所述提示信息，得到密文；
发送单元，用于以所述提示方式发送所述密文；
所述生成单元，还用于当在预设时间内未监听到所述密文被解密成功时，生成告警信息；
所述发送单元，还用于将所述告警信息发送至指定联系人的终端设备。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，获取所述存储器中存储的指令以实现所述基于分类模型的字段抽取方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器获取以实现所述基于分类模型的字段抽取方法。
由以上技术方案可以看出，本发明不仅能够对所述多篇文本进行去重处理，避免对所述多篇文本进行重复分析，还能够在不受限于整理人员的知识面的情况下，准确地确定所述第二词组是否为公共字段，此外，本发明还能够快速从所述多篇文本中抽取公共字段，以便相关人员快速了解文本的重要信息。
附图说明
图1是本发明基于分类模型的字段抽取方法的较佳实施例的流程图。
图2是本发明基于分类模型的字段抽取装置的较佳实施例的功能模块图。
图3是本发明实现基于分类模型的字段抽取方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于分类模型的字段抽取方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于分类模型的字段抽取方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到公共字段抽取请求时，从所述公共字段抽取请求中提取多篇文本。
在本发明的至少一个实施例中，所述公共字段抽取请求可以由用户触发，也可以在满足一定条件时自动触发，本发明不限制。
其中，所述满足一定条件包括，但不限于：满足配置时间等。
所述配置时间可以包括确定的时间点(例如：所述配置时间可以是每天早上七点)，或者包括一个时间段等。
进一步地，所述公共字段抽取请求的信息包括：请求编号、请求等级、所述多篇文本等。
在本发明的至少一个实施例中，所述多篇文本的类型相同，例如：所述类型为金融领域的股票交易公告。
在本发明的至少一个实施例中，所述电子设备从所述公共字段抽取请求中提取多篇文本包括：
所述电子设备获取目标标签，进一步地，所述电子设备从所述公共字段抽取请求所携带的所有信息中提取与所述目标标签对应的信息，作为页面地址，所述电子设备根据所述页面地址定位待提取文档，并检测所述待提取文档的文档类型，更进一步地，所述电子设备根据所述文档类型选取提取工具，并以所述提取工具提取所述待提取文档中的文本。
其中，所述文档类型可以包括，但不限于：pdf、doc及docx等。相对应地，所述提取工具可以为pdfplumber、docx2txt等。
S11，对所述多篇文本进行预处理，并整合预处理后的文本，得到文本片段。
在本发明的至少一个实施例中，所述文本片段是根据预处理后的文本整合得到的。
在本发明的至少一个实施例中，所述电子设备对所述多篇文本进行预处理包括：
所述电子设备根据所述多篇文本中每篇文本的标题，计算每篇文本的哈希值，并从每篇文本中抽取预设特征并建立特征索引，进一步地，所述电子设备根据每两篇文本的哈希值，采用余弦距离公式计算每两篇文本的相似距离，得到每对文本对的相似距离，其中，每对文本对包括任意两篇文本，所述电子设备通过所述特征索引搜索出相似距离大于预设值的文本对，并将搜索出的文本对确定为相似文本对，所述电子设备判断所述相似文本对中的预设特征是否相同，当所述相似文本对中的预设特征相同时，所述电子设备删除所述相似文本对中的任意一篇文本，得到目标文本，更进一步地，所述电子设备过滤所述目标文本中的配置字符，得到预处理后的文本。
其中，所述配置字符包括：空格、换行符等。
通过上述实施方式，能够避免所述文本片段中包含相同的文本，进而避免相同文本被重复处理，同时，节省了所述电子设备的占用内存。
S12，依次从配置区间中选取目标值，并以所述目标值为提取长度从所述文本片段中提取词组。
在本发明的至少一个实施例中，所述配置区间为[2，N]，其中，N为大于2的自然数。所述词组的长度包括2，3，4，…，N。
例如：文本片段为“abcdef”配置区间为[2，4]，所述电子设备首先从[2，4]中选取目标值2，并以2为提取长度从“abcdef”中提取到词组有ab、bc、cd、de、ef，进而所述电子设备从[2，4]中选取目标值3，并以3为提取长度从“abcdef”中提取到词组有abc、bcd、cde、def，进而所述电子设备从[2，4]中选取目标值4，并以4为提取长度从“abcdef”中提取到词组有abcd、bcde、cdef，综上，所述电子设备以目标值为提取长度从所述文本片段“abcdef”中提取到词组有ab、bc、cd、de、ef、abc、bcd、cde、def、abcd、bcde、cdef。
S13，计算所述词组的凝固度，并将凝固度大于第一阈值的词组确定为第一词组。
在本发明的至少一个实施例中，所述凝固度是指一词组与另一词组同时存在于所述文本片段的概率。
本发明对所述第一阈值的取值不作限制。
在本发明的至少一个实施例中，所述电子设备计算所述词组的凝固度包括：
所述电子设备计算所述词组在所述文本片段中出现的概率，得到所述词组的第一概率，进一步地，所述电子设备对所述词组进行任意划分，得到至少一个组合，每个组合包括多个候选词，对于每个组合，所述电子设备计算所述多个候选词中每个候选词在所述文本片段中出现的概率，并将所述多个候选词的概率进行乘法运算，得到每个组合的第二概率，并将最大的第二概率确定为目标概率，更进一步地，所述电子设备将所述第一概率除以所述目标概率，得到所述词组的凝固度。
例如：词组为“abc”，经计算，得到“abc”在文本片段中出现的概率为0.0006，对“abc”进行任意划分，得到两个组合，每个组合中包括两个候选词，组合甲中包含的两个候选词为：“a”、“bc”；组合乙中包含的两个候选词为：“ab”、“c”。对于组合甲，计算“a”及“bc”在所述文本片段中出现的概率，p(a)＝0.3，p(bc)＝0.2，将组合甲中的多个候选词的概率进行乘法运算，得到组合甲的第二概率为p(a)*p(bc)＝0.3*0.2＝0.06；对于组合乙，计算“ab”及“c”在所述文本片段中出现的概率，p(ab)＝0.1，p(c)＝0.25，将组合乙中的多个候选词的概率进行乘法运算，得到组合乙的第二概率为p(ab)*p(c)＝0.1*0.25＝0.025，从组合甲的第二概率及组合乙的第二概率中将最大的第二概率确定为目标概率，即将组合甲的第二概率0.06确定为目标概率，将0.0006/0.06＝0.01，即所述词组“abc”的凝固度为0.01。
在本发明的至少一个实施例中，所述电子设备检测词组的凝固度是否大于所述第一阈值，当检测到凝固度大于所述第一阈值的词组，所述电子设备将该词组确定为第一词组。
S14，计算所述第一词组在所述文本片段中的频数，并将频数大于第二阈值的第一词组确定为第二词组。
在本发明的至少一个实施例中，所述频数是指所述第一词组在所述文本片段中出现的次数。
本发明对所述第二阈值的取值不作限制。
在本发明的至少一个实施例中，所述电子设备将所述第一词组的频数与所述第二阈值进行对比，并将频数大于所述第二阈值的第一词组确定为所述第二词组。
S15，获取所述第二词组在所述文本片段中的上下文信息。
在本发明的至少一个实施例中，所述电子设备获取所述上下文信息的方式为现有技术，本发明在此不再赘述。
S16，将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果。
在本发明的至少一个实施例中，所述输出结果包括所述第二词组为公共字段，或者所述第二词组不为公共字段。
在本发明的至少一个实施例中，在将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果之前，所述方法还包括：
所述电子设备采用爬虫程序获取所有领域内的第一历史数据，并将所述第一历史数据输入到遗忘门层进行遗忘处理，得到训练数据，进一步地，所述电子设备采用交叉验证法将所述训练数据划分为训练集及验证集，并将所述训练集中的数据输入到输入门层进行训练，得到初级学习器，根据所述验证集中的数据，所述电子设备调整所述初级学习器，得到次级学习器，更进一步地，所述电子设备确定所述多篇文本所属的目标领域，并获取所述目标领域内的第二历史数据，所述电子设备将所述第二历史数据作为测试数据测试所述次级学习器，得到测试结果，所述电子设备计算通过测试的第二历史数据的目标数量，及计算参与测试的第二历史数据的总数量，更进一步地，所述电子设备将所述目标数量除以所述总数量，得到测试成功率，当所述测试成功率大于配置值时，将所述次级学习器确定为所述分类模型，或者当所述测试成功率小于或者等于所述配置值时，根据所述第二历史数据调整所述次级学习器，得到所述分类模型。
其中，所述爬虫程序采用Python编程语言、PyCharm编辑环境和Scrapy爬虫框架。
通过上述实施方式，能够得到较为精确的分类模型。
S17，当所述输出结果为所述第二词组为公共字段时，分析所述第二词组，得到分析结果，并以所述分析结果响应所述公共字段抽取请求。
需要强调的是，为进一步保证上述分析结果的私密和安全性，上述分析结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，配置库中存储多个公共字段。
在本发明的至少一个实施例中，所述分析所述第二词组，得到分析结果包括：
(1)当所述第二词组的个数有多个时，以词元为基本单位，对比所述第二词组，当检测到目标词组中的所有词元包含于任意词组时，计算所述目标词组的哈希值及所述任意词组的哈希值，并基于余弦相似性，计算所述目标词组与配置库中的配置词组的第一相似度，及计算所述任意词组与所述配置词组的第二相似度，对比所述第一相似度与所述第二相似度的大小，当所述第一相似度大于或者等于所述第二相似度时，删除所述任意词组，或者当所述第二相似度大于所述第一相似度时，删除所述目标词组，及以剩余的第二词组作为所述分析结果，所述目标词组是指所有词元在所述任意词组中连续出现的第二词组，所述任意词组是指除所述目标词组外的第二词组。
例如：配置库中存储有“bcde”，第二词组的个数有3个，分别为“abd”、“bcd”、“bcde”，将所有第二词组进行对比，得到目标词组“bcd”包含于任意词组“bcde”中，计算所述目标词组“bcd”与所述配置库中存储的“bcde”之间的相似度，得到第一相似度为0.6，计算所述任意词组“bcde”与所述配置库中存储的“bcde”之间的相似度，得到第二相似度为1，对比所述第一相似度0.6与所述第二相似度1的大小，得到所述第二相似度1大于所述第一相似度0.6，删除所述目标词组“bcd”，及以剩余的第二词组“abd”、“bcde”作为分析结果。
(2)当所述第二词组的个数有且只有一个时，计算所述第二词组中词元的个数，当所述个数大于给定值时，根据所述配置库对所述第二词组进行切分，并将切分后的分词作为所述分析结果。
在本发明的至少一个实施例中，所述方法还包括：
所述电子设备获取所述公共字段抽取请求的请求编号及请求等级，所述电子设备根据所述请求编号及所述响应结果生成提示信息，进一步地，所述电子设备根据所述请求等级确定所述提示信息的提示方式，所述电子设备采用对称加密技术加密所述提示信息，得到密文，并以所述提示方式发送所述密文，当在预设时间内未监听到所述密文被解密成功时，所述电子设备生成告警信息，更进一步地，所述电子设备将所述告警信息发送至指定联系人的终端设备。
由以上技术方案可以看出，本发明不仅能够对所述多篇文本进行去重处理，避免对所述多篇文本进行重复分析，还能够在不受限于整理人员的知识面的情况下，准确地确定所述第二词组是否为公共字段，此外，本发明还能够快速从所述多篇文本中抽取公共字段，以便相关人员快速了解文本的重要信息。
如图2所示，是本发明基于分类模型的字段抽取装置的较佳实施例的功能模块图。所述基于分类模型的字段抽取装置11包括提取单元110、预处理单元111、确定单元112、获取单元113、输入单元114、分析单元115、划分单元116、调整单元117、测试单元118、计算单元119、生成单元120、加密单元121及发送单元122。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到公共字段抽取请求时，提取单元110从所述公共字段抽取请求中提取多篇文本。
在本发明的至少一个实施例中，所述公共字段抽取请求可以由用户触发，也可以在满足一定条件时自动触发，本发明不限制。
其中，所述满足一定条件包括，但不限于：满足配置时间等。
所述配置时间可以包括确定的时间点(例如：所述配置时间可以是每天早上七点)，或者包括一个时间段等。
进一步地，所述公共字段抽取请求的信息包括：请求编号、请求等级、所述多篇文本等。
在本发明的至少一个实施例中，所述多篇文本的类型相同，例如：所述类型为金融领域的股票交易公告。
在本发明的至少一个实施例中，所述提取单元110从所述公共字段抽取请求中提取多篇文本包括：
所述提取单元110获取目标标签，进一步地，所述提取单元110从所述公共字段抽取请求所携带的所有信息中提取与所述目标标签对应的信息，作为页面地址，所述提取单元110根据所述页面地址定位待提取文档，并检测所述待提取文档的文档类型，更进一步地，所述提取单元110根据所述文档类型选取提取工具，并以所述提取工具提取所述待提取文档中的文本。
其中，所述文档类型可以包括，但不限于：pdf、doc及docx等。相对应地，所述提取工具可以为pdfplumber、docx2txt等。
预处理单元111对所述多篇文本进行预处理，并整合预处理后的文本，得到文本片段。
在本发明的至少一个实施例中，所述文本片段是根据预处理后的文本整合得到的。
在本发明的至少一个实施例中，所述预处理单元111对所述多篇文本进行预处理包括：
所述预处理单元111根据所述多篇文本中每篇文本的标题，计算每篇文本的哈希值，并从每篇文本中抽取预设特征并建立特征索引，进一步地，所述预处理单元111根据每两篇文本的哈希值，采用余弦距离公式计算每两篇文本的相似距离，得到每对文本对的相似距离，其中，每对文本对包括任意两篇文本，所述预处理单元111通过所述特征索引搜索出相似距离大于预设值的文本对，并将搜索出的文本对确定为相似文本对，所述预处理单元111判断所述相似文本对中的预设特征是否相同，当所述相似文本对中的预设特征相同时，所述预处理单元111删除所述相似文本对中的任意一篇文本，得到目标文本，更进一步地，所述预处理单元111过滤所述目标文本中的配置字符，得到预处理后的文本。
其中，所述配置字符包括：空格、换行符等。
通过上述实施方式，能够避免所述文本片段中包含相同的文本，进而避免相同文本被重复处理，同时，节省了电子设备的占用内存。
所述提取单元110依次从配置区间中选取目标值，并以所述目标值为提取长度从所述文本片段中提取词组。
在本发明的至少一个实施例中，所述配置区间为[2，N]，其中，N为大于2的自然数。所述词组的长度包括2，3，4，…，N。
例如：文本片段为“abcdef”配置区间为[2，4]，所述提取单元110首先从[2，4]中选取目标值2，并以2为提取长度从“abcdef”中提取到词组有ab、bc、cd、de、ef，进而所述提取单元110从[2，4]中选取目标值3，并以3为提取长度从“abcdef”中提取到词组有abc、bcd、cde、def，进而所述提取单元110从[2，4]中选取目标值4，并以4为提取长度从“abcdef”中提取到词组有abcd、bcde、cdef，综上，所述提取单元110以目标值为提取长度从所述文本片段“abcdef”中提取到词组有ab、bc、cd、de、ef、abc、bcd、cde、def、abcd、bcde、cdef。
确定单元112计算所述词组的凝固度，并将凝固度大于第一阈值的词组确定为第一词组。
在本发明的至少一个实施例中，所述凝固度是指一词组与另一词组同时存在于所述文本片段的概率。
本发明对所述第一阈值的取值不作限制。
在本发明的至少一个实施例中，所述确定单元112计算所述词组的凝固度包括：
所述确定单元112计算所述词组在所述文本片段中出现的概率，得到所述词组的第一概率，进一步地，所述确定单元112对所述词组进行任意划分，得到至少一个组合，每个组合包括多个候选词，对于每个组合，所述确定单元112计算所述多个候选词中每个候选词在所述文本片段中出现的概率，并将所述多个候选词的概率进行乘法运算，得到每个组合的第二概率，并将最大的第二概率确定为目标概率，更进一步地，所述确定单元112将所述第一概率除以所述目标概率，得到所述词组的凝固度。
例如：词组为“abc”，经计算，得到“abc”在文本片段中出现的概率为0.0006，对“abc”进行任意划分，得到两个组合，每个组合中包括两个候选词，组合甲中包含的两个候选词为：“a”、“bc”；组合乙中包含的两个候选词为：“ab”、“c”。对于组合甲，计算“a”及“bc”在所述文本片段中出现的概率，p(a)＝0.3，p(bc)＝0.2，将组合甲中的多个候选词的概率进行乘法运算，得到组合甲的第二概率为p(a)*p(bc)＝0.3*0.2＝0.06；对于组合乙，计算“ab”及“c”在所述文本片段中出现的概率，p(ab)＝0.1，p(c)＝0.25，将组合乙中的多个候选词的概率进行乘法运算，得到组合乙的第二概率为p(ab)*p(c)＝0.1*0.25＝0.025，从组合甲的第二概率及组合乙的第二概率中将最大的第二概率确定为目标概率，即将组合甲的第二概率0.06确定为目标概率，将0.0006/0.06＝0.01，即所述词组“abc”的凝固度为0.01。
在本发明的至少一个实施例中，所述确定单元112检测词组的凝固度是否大于所述第一阈值，当检测到凝固度大于所述第一阈值的词组，所述确定单元112将该词组确定为第一词组。
所述确定单元112计算所述第一词组在所述文本片段中的频数，并将频数大于第二阈值的第一词组确定为第二词组。
在本发明的至少一个实施例中，所述频数是指所述第一词组在所述文本片段中出现的次数。
本发明对所述第二阈值的取值不作限制。
在本发明的至少一个实施例中，所述确定单元112将所述第一词组的频数与所述第二阈值进行对比，并将频数大于所述第二阈值的第一词组确定为所述第二词组。
获取单元113获取所述第二词组在所述文本片段中的上下文信息。
在本发明的至少一个实施例中，所述获取单元113获取所述上下文信息的方式为现有技术，本发明在此不再赘述。
输入单元114将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果。
在本发明的至少一个实施例中，所述输出结果包括所述第二词组为公共字段，或者所述第二词组不为公共字段。
在本发明的至少一个实施例中，在将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果之前，所述获取单元113采用爬虫程序获取所有领域内的第一历史数据，所述输入单元114将所述第一历史数据输入到遗忘门层进行遗忘处理，得到训练数据，进一步地，划分单元116采用交叉验证法将所述训练数据划分为训练集及验证集，输入单元114将所述训练集中的数据输入到输入门层进行训练，得到初级学习器，根据所述验证集中的数据，调整单元117调整所述初级学习器，得到次级学习器，更进一步地，所述确定单元112确定所述多篇文本所属的目标领域，所述获取单元113获取所述目标领域内的第二历史数据，测试单元118将所述第二历史数据作为测试数据测试所述次级学习器，得到测试结果，计算单元119计算通过测试的第二历史数据的目标数量，及计算参与测试的第二历史数据的总数量，更进一步地，所述计算单元119将所述目标数量除以所述总数量，得到测试成功率，当所述测试成功率大于配置值时，所述确定单元112将所述次级学习器确定为所述分类模型，或者当所述测试成功率小于或者等于所述配置值时，所述调整单元117根据所述第二历史数据调整所述次级学习器，得到所述分类模型。
其中，所述爬虫程序采用Python编程语言、PyCharm编辑环境和Scrapy爬虫框架。
通过上述实施方式，能够得到较为精确的分类模型。
当所述输出结果为所述第二词组为公共字段时，分析单元115分析所述第二词组，得到分析结果，并以所述分析结果响应所述公共字段抽取请求。
需要强调的是，为进一步保证上述分析结果的私密和安全性，上述分析结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，配置库中存储多个公共字段。
在本发明的至少一个实施例中，所述分析单元115分析所述第二词组，得到分析结果包括：
(1)当所述第二词组的个数有多个时，以词元为基本单位，所述分析单元115对比所述第二词组，当检测到目标词组中的所有词元包含于任意词组时，所述分析单元115计算所述目标词组的哈希值及所述任意词组的哈希值，并基于余弦相似性，计算所述目标词组与配置库中的配置词组的第一相似度，及计算所述任意词组与所述配置词组的第二相似度，所述分析单元115对比所述第一相似度与所述第二相似度的大小，当所述第一相似度大于或者等于所述第二相似度时，所述分析单元115删除所述任意词组，或者当所述第二相似度大于所述第一相似度时，所述分析单元115删除所述目标词组，及以剩余的第二词组作为所述分析结果，所述目标词组是指所有词元在所述任意词组中连续出现的第二词组，所述任意词组是指除所述目标词组外的第二词组。
例如：配置库中存储有“bcde”，第二词组的个数有3个，分别为“abd”、“bcd”、“bcde”，将所有第二词组进行对比，得到目标词组“bcd”包含于任意词组“bcde”中，计算所述目标词组“bcd”与所述配置库中存储的“bcde”之间的相似度，得到第一相似度为0.6，计算所述任意词组“bcde”与所述配置库中存储的“bcde”之间的相似度，得到第二相似度为1，对比所述第一相似度0.6与所述第二相似度1的大小，得到所述第二相似度1大于所述第一相似度0.6，删除所述目标词组“bcd”，及以剩余的第二词组“abd”、“bcde”作为分析结果。
(2)当所述第二词组的个数有且只有一个时，所述分析单元115计算所述第二词组中词元的个数，当所述个数大于给定值时，所述分析单元115根据所述配置库对所述第二词组进行切分，并将切分后的分词作为所述分析结果。
在本发明的至少一个实施例中，所述获取单元113获取所述公共字段抽取请求的请求编号及请求等级，生成单元120根据所述请求编号及所述响应结果生成提示信息，进一步地，所述确定单元112根据所述请求等级确定所述提示信息的提示方式，加密单元121采用对称加密技术加密所述提示信息，得到密文，发送单元122以所述提示方式发送所述密文，当在预设时间内未监听到所述密文被解密成功时，所述生成单元120生成告警信息，更进一步地，所述发送单元122将所述告警信息发送至指定联系人的终端设备。
由以上技术方案可以看出，本发明不仅能够对所述多篇文本进行去重处理，避免对所述多篇文本进行重复分析，还能够在不受限于整理人员的知识面的情况下，准确地确定所述第二词组是否为公共字段，此外，本发明还能够快速从所述多篇文本中抽取公共字段，以便相关人员快速了解文本的重要信息。
如图3所示，是本发明实现基于分类模型的字段抽取方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于分类模型的字段抽取程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及获取所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13获取所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13获取所述应用程序以实现上述各个基于分类模型的字段抽取方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13获取，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的获取过程。例如，所述计算机程序可以被分割成提取单元110、预处理单元111、确定单元112、获取单元113、输入单元114、分析单元115、划分单元116、调整单元117、测试单元118、计算单元119、生成单元120、加密单元121及发送单元122。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或获取存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器12可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器获取时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可获取文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种基于分类模型的字段抽取方法，所述处理器13可获取所述多个指令从而实现：当接收到公共字段抽取请求时，从所述公共字段抽取请求中提取多篇文本；对所述多篇文本进行预处理，并整合预处理后的文本，得到文本片段；依次从配置区间中选取目标值，并以所述目标值为提取长度从所述文本片段中提取词组；计算所述词组的凝固度，并将凝固度大于第一阈值的词组确定为第一词组；计算所述第一词组在所述文本片段中的频数，并将频数大于第二阈值的第一词组确定为第二词组；获取所述第二词组在所述文本片段中的上下文信息；将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果；当所述输出结果为所述第二词组为公共字段时，分析所述第二词组，得到分析结果，并以所述分析结果响应所述公共字段抽取请求。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于分类模型的字段抽取方法，其特征在于，所述基于分类模型的字段抽取方法包括：
当接收到公共字段抽取请求时，从所述公共字段抽取请求中提取多篇文本；
对所述多篇文本进行预处理，并整合预处理后的文本，得到文本片段；
依次从配置区间中选取目标值，并以所述目标值为提取长度从所述文本片段中提取词组；
计算所述词组的凝固度，并将凝固度大于第一阈值的词组确定为第一词组；
计算所述第一词组在所述文本片段中的频数，并将频数大于第二阈值的第一词组确定为第二词组；
获取所述第二词组在所述文本片段中的上下文信息；
将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果；
当所述输出结果为所述第二词组为公共字段时，分析所述第二词组，得到分析结果，并以所述分析结果响应所述公共字段抽取请求。
2.如权利要求1所述的基于分类模型的字段抽取方法，其特征在于，所述从所述公共字段抽取请求中提取多篇文本包括：
获取目标标签；
从所述公共字段抽取请求所携带的所有信息中提取与所述目标标签对应的信息，作为页面地址；
根据所述页面地址定位待提取文档；
检测所述待提取文档的文档类型；
根据所述文档类型选取提取工具，并以所述提取工具提取所述待提取文档中的文本。
3.如权利要求1所述的基于分类模型的字段抽取方法，其特征在于，所述对所述多篇文本进行预处理包括：
根据所述多篇文本中每篇文本的标题，计算每篇文本的哈希值；
从每篇文本中抽取预设特征并建立特征索引；
根据每两篇文本的哈希值，采用余弦距离公式计算每两篇文本的相似距离，得到每对文本对的相似距离，其中，每对文本对包括任意两篇文本；
通过所述特征索引搜索出相似距离大于预设值的文本对，并将搜索出的文本对确定为相似文本对；
判断所述相似文本对中的预设特征是否相同；
当所述相似文本对中的预设特征相同时，删除所述相似文本对中的任意一篇文本，得到目标文本；
过滤所述目标文本中的配置字符，得到预处理后的文本。
4.如权利要求1所述的基于分类模型的字段抽取方法，其特征在于，所述计算所述词组的凝固度包括：
计算所述词组在所述文本片段中出现的概率，得到所述词组的第一概率；
对所述词组进行任意划分，得到至少一个组合，每个组合包括多个候选词；
对于每个组合，计算所述多个候选词中每个候选词在所述文本片段中出现的概率，并将所述多个候选词的概率进行乘法运算，得到每个组合的第二概率；
将最大的第二概率确定为目标概率；
将所述第一概率除以所述目标概率，得到所述词组的凝固度。
5.如权利要求1所述的基于分类模型的字段抽取方法，其特征在于，在将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果之前，所述方法还包括：
采用爬虫程序获取所有领域内的第一历史数据；
将所述第一历史数据输入到遗忘门层进行遗忘处理，得到训练数据；
采用交叉验证法将所述训练数据划分为训练集及验证集；
将所述训练集中的数据输入到输入门层进行训练，得到初级学习器；
根据所述验证集中的数据，调整所述初级学习器，得到次级学习器；
确定所述多篇文本所属的目标领域，并获取所述目标领域内的第二历史数据；
将所述第二历史数据作为测试数据测试所述次级学习器，得到测试结果；
计算通过测试的第二历史数据的目标数量，及计算参与测试的第二历史数据的总数量；
将所述目标数量除以所述总数量，得到测试成功率；
当所述测试成功率大于配置值时，将所述次级学习器确定为所述分类模型；或者
当所述测试成功率小于或者等于所述配置值时，根据所述第二历史数据调整所述次级学习器，得到所述分类模型。
6.如权利要求1所述的基于分类模型的字段抽取方法，其特征在于，所述分析结果存储于区块链中，所述分析所述第二词组，得到分析结果包括：
当所述第二词组的个数有多个时，以词元为基本单位，对比所述第二词组，当检测到目标词组中的所有词元包含于任意词组时，计算所述目标词组的哈希值及所述任意词组的哈希值，并基于余弦相似性，计算所述目标词组与配置库中的配置词组的第一相似度，及计算所述任意词组与所述配置词组的第二相似度，对比所述第一相似度与所述第二相似度的大小，当所述第一相似度大于或者等于所述第二相似度时，删除所述任意词组，或者当所述第二相似度大于所述第一相似度时，删除所述目标词组，及以剩余的第二词组作为所述分析结果，所述目标词组是指所有词元在所述任意词组中连续出现的第二词组，所述任意词组是指除所述目标词组外的第二词组；或者
当所述第二词组的个数有且只有一个时，计算所述第二词组中词元的个数，当所述个数大于给定值时，根据所述配置库对所述第二词组进行切分，并将切分后的分词作为所述分析结果。
7.如权利要求1所述的基于分类模型的字段抽取方法，其特征在于，所述基于分类模型的字段抽取方法还包括：
获取所述公共字段抽取请求的请求编号及请求等级；
根据所述请求编号及所述响应结果生成提示信息；
根据所述请求等级确定所述提示信息的提示方式；
采用对称加密技术加密所述提示信息，得到密文；
以所述提示方式发送所述密文；
当在预设时间内未监听到所述密文被解密成功时，生成告警信息；
将所述告警信息发送至指定联系人的终端设备。
8.一种基于分类模型的字段抽取装置，其特征在于，所述基于分类模型的字段抽取装置包括：
提取单元，用于当接收到公共字段抽取请求时，从所述公共字段抽取请求中提取多篇文本；
预处理单元，用于对所述多篇文本进行预处理，并整合预处理后的文本，得到文本片段；
所述提取单元，还用于依次从配置区间中选取目标值，并以所述目标值为提取长度从所述文本片段中提取词组；
确定单元，用于计算所述词组的凝固度，并将凝固度大于第一阈值的词组确定为第一词组；
所述确定单元，还用于计算所述第一词组在所述文本片段中的频数，并将频数大于第二阈值的第一词组确定为第二词组；
获取单元，用于获取所述第二词组在所述文本片段中的上下文信息；
输入单元，用于将所述第二词组、所述第二词组的频数及所述上下文信息输入至预先训练的分类模型中，得到所述第二词组对应的输出结果；
分析单元，用于当所述输出结果为所述第二词组为公共字段时，分析所述第二词组，得到分析结果，并以所述分析结果响应所述公共字段抽取请求。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，获取所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的基于分类模型的字段抽取方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器获取以实现如权利要求1至7中任意一项所述的基于分类模型的字段抽取方法。
CN202010368052.XA 2020-04-30 2020-04-30 基于分类模型的字段抽取方法、装置、电子设备及介质 Pending CN111639487A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010368052.XA CN111639487A (zh) 2020-04-30 2020-04-30 基于分类模型的字段抽取方法、装置、电子设备及介质
PCT/CN2020/105629 WO2021217931A1 (zh) 2020-04-30 2020-07-29 基于分类模型的字段抽取方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010368052.XA CN111639487A (zh) 2020-04-30 2020-04-30 基于分类模型的字段抽取方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN111639487A true CN111639487A (zh) 2020-09-08

Family

ID=72330065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010368052.XA Pending CN111639487A (zh) 2020-04-30 2020-04-30 基于分类模型的字段抽取方法、装置、电子设备及介质

Country Status (2)

Country Link
CN (1) CN111639487A (zh)
WO (1) WO2021217931A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463774A (zh) * 2020-10-23 2021-03-09 完美世界控股集团有限公司 数据去重方法、设备及存储介质
CN113269179A (zh) * 2021-06-24 2021-08-17 中国平安人寿保险股份有限公司 数据处理方法、装置、设备及存储介质
CN113362026A (zh) * 2021-06-04 2021-09-07 北京金山数字娱乐科技有限公司 文本处理方法及装置

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115905924B (zh) * 2022-12-06 2023-08-11 济南亚海凛米网络科技服务有限公司 基于人工智能物联网的数据处理方法、系统及云平台
CN116681053A (zh) * 2023-07-31 2023-09-01 中国电子技术标准化研究院 文本标准比对方法、装置、设备及介质
CN117278343B (zh) * 2023-11-24 2024-02-02 戎行技术有限公司 一种基于大数据平台数据的数据多级输出处理方法
CN117592474B (zh) * 2024-01-18 2024-04-30 武汉杏仁桉科技有限公司 一种多中文词组的拆分处理方法及装置
CN118551021A (zh) * 2024-07-26 2024-08-27 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于依存图解析的一体化中文信息抽取方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10579729B2 (en) * 2016-10-18 2020-03-03 International Business Machines Corporation Methods and system for fast, adaptive correction of misspells
WO2019023911A1 (en) * 2017-07-31 2019-02-07 Beijing Didi Infinity Technology And Development Co., Ltd. SYSTEM AND METHOD FOR TEXT SEGMENTATION
CN108038119A (zh) * 2017-11-01 2018-05-15 平安科技（深圳）有限公司 利用新词发现投资标的的方法、装置及存储介质
CN110348003B (zh) * 2019-05-22 2023-10-17 安徽省泰岳祥升软件有限公司 文本有效信息的抽取方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463774A (zh) * 2020-10-23 2021-03-09 完美世界控股集团有限公司 数据去重方法、设备及存储介质
CN112463774B (zh) * 2020-10-23 2021-10-12 完美世界控股集团有限公司 文本数据的去重方法、设备及存储介质
CN113362026A (zh) * 2021-06-04 2021-09-07 北京金山数字娱乐科技有限公司 文本处理方法及装置
CN113269179A (zh) * 2021-06-24 2021-08-17 中国平安人寿保险股份有限公司 数据处理方法、装置、设备及存储介质
CN113269179B (zh) * 2021-06-24 2024-04-05 中国平安人寿保险股份有限公司 数据处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2021217931A1 (zh) 2021-11-04

Similar Documents

Publication Publication Date Title
CN111695033B (zh) 企业舆情分析方法、装置、电子设备及介质
CN111639487A (zh) 基于分类模型的字段抽取方法、装置、电子设备及介质
CN111694826B (zh) 基于人工智能的数据增强方法、装置、电子设备及介质
CN112686036B (zh) 风险文本识别方法、装置、计算机设备及存储介质
CN113032528B (zh) 案件分析方法、装置、设备及存储介质
CN111883251A (zh) 医疗误诊检测方法、装置、电子设备及存储介质
CN111597309A (zh) 相似企业推荐方法、装置、电子设备及介质
CN111552800A (zh) 摘要生成方法、装置、电子设备及介质
CN114090794A (zh) 基于人工智能的事理图谱构建方法及相关设备
CN111986763B (zh) 疾病数据分析方法、装置、电子设备及存储介质
CN114037545A (zh) 客户推荐方法、装置、设备及存储介质
CN113705468B (zh) 基于人工智能的数字图像识别方法及相关设备
CN111698302A (zh) 数据预警方法、装置、电子设备及介质
CN113420143B (zh) 文书摘要生成方法、装置、设备及存储介质
CN113269179B (zh) 数据处理方法、装置、设备及存储介质
CN113536770B (zh) 基于人工智能的文本解析方法、装置、设备及存储介质
CN113516205B (zh) 基于人工智能的员工稳定性分类方法及相关设备
CN113470775B (zh) 信息采集方法、装置、设备及存储介质
CN111933241B (zh) 医疗数据解析方法、装置、电子设备及存储介质
CN112199494B (zh) 医疗信息搜索方法、装置、电子设备及存储介质
CN115037790B (zh) 异常注册识别方法、装置、设备及存储介质
CN113326365B (zh) 回复语句生成方法、装置、设备及存储介质
CN113627186B (zh) 基于人工智能的实体关系检测方法及相关设备
CN113283677B (zh) 指标数据处理方法、装置、设备及存储介质
CN112949305B (zh) 负反馈信息采集方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination